مدل سازی فرآیند تبخیر-تعرق روزانه با استفاده از مدل های رگرسیونی و هوشمند

تبخیر-تعرق نقش مهمی در مدیریت منابع آب منطقه ای، تغییرات آب و هوایی و تولید کشاورزی دارد. در این تحقیق، کارآیی برخی از تکنیک های داده محور شامل ماشین بردار پشتیبان (SVM)، شبکه های عصبی مصنوعی (ANN) و ترکیب آن با تبدیل موجک (WANN)، رگرسیون خطی چند متغیره (MLR ) و درخت تصمیم (Decision Tree) برای پیش بینی نرخ تبخیر-تعرق در ایستگاه اسکاتس بلوف در ایالت نبراسکا بررسی شده است. برای این منظور، از ۵ پارامتر هواشناسی (دمای کمینه، دمای بیشینه، رطوبت نسبی، سرعت باد و تابش خورشیدی) به عنوان ورودی برای مدل ها استفاده شده است. داده های استفاده شده در این تحقیق اطلاعات هواشناسی روزانه بین سال های ۲۰۰۵ و۲۰۱۳ برای آموزش و آزمون مدل ها بوده است. به منظور اجرای هر یک از مدل ها ۸ سناریو با توجه به ترکیب پارامترهای ورودی درنظر گرفته شده است. برای ارزیابی عملکرد تکنیک های مورد مطالعه، از سه شاخص آماری مختلف یعنی ریشه میانگین مربع خطا (RMSE)، ضریب همبستگی (R) و ضریب نش ساتکلیف (NSE) استفاده، که بدین وسیله نتایج مدل ها با داده های مشاهداتی بررسی شد. علاوه بر این، نمودارهای تیلور برای آزمایش شباهت بین داده های مشاهده شده و پیش بینی شده استفاده شد. نتایج نشان داد که در ایستگاه اسکاتس بلوف، ۸WANN (هشتمین ترکیب ورودی برای مدل WANN است) با توجه به مقادیر ریشه میانگین مربع خطا (RMSE)، ضریب همبستگی (R) و ضریب نش ساتکلیف به ترتیب برابر با ۰۹۷/۰ میلیمتر در روز، ۹۹۹/۰ و ۹۹۹/۰ عملکرد بهتری در مقایسه با ANN ، SVM، MLR وDT داشته است. مدل های SVM و ANN نیز دقت بسیار خوبی را نشان دادند، و مدل های DT و MLR با وجود قابل قبول بودن دقت در آن ها از سایر مدل ها ضعیف تر عمل کردند. به عنوان یک نتیجه گیری، نتایج حاصل از مطالعه فعلی ثابت کرد که WANN روندهای معقولی را برای مدل سازی اسکاتس بلوف در ایستگاه اسکاتس بلوف ارائه کرده است.

کلیدواژه ها:

هیبرید عصبی موجکی ، ماشین بردار پشتیبان ، درخت تصمیم ، رگرسیون خطی چندگانه ، اسکاتس بلوف