کاربرد مدل های درختی و مبتنی بر کرنل در تعیین تبخیرتعرق مرجع روزانه در دو منطقه مرطوب و خشک ایران
محل انتشار: فصلنامه دانش آب و خاک، دوره: 33، شماره: 2
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 162
فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_WASO-33-2_003
تاریخ نمایه سازی: 2 تیر 1402
چکیده مقاله:
با توجه به واقع شدن ایران در اقلیم خشک و نیمه خشک، تبخیر تعرق یکی از موثرترین مولفه ها در بررسی وضعیت بیلان آبی است. برآورد دقیق این پارامتر در محاسبه دقیق نیاز آبی گیاهان و به تبع آن در طراحی و مدیریت سیتم های آبیاری و منابع آب از اهمیت ویژه ای برخوردار است. هدف از پژوهش حاضر، بررسی توانایی مدل رگرسیون بردار پشتیبان (SVR)، مدل جنگل تصادفی (RF) و مدل درختی M۵P در پیش بینی روزانه مقادیر روزانه تبخیر تعرق گیاه مرجع در دو ایستگاه آستارا و سیرجان به ترتیب واقع در مناطق مرطوب و خشک ایران با استفاده از داده های هواشناسی حداقل، متوسط و حداکثر دما، رطوبت نسبی، تابش خورشیدی و سرعت باد در بازه زمانی سال های ۲۰۲۰-۲۰۰۰ است. درنهایت، دقت روش های مذکور و روش های تجربی در برآورد تبخیر تعرق روزانه گیاه مرجع با استفاده از معیارهای آماری جذر میانگین مربعات خطا، ضریب همبستگی، شاخص پراکندگی، ضریب نش- ساتکلیف و ضریب ویلموت مورد مقایسه قرار گرفت. نتایج حاصل از داده های صحت سنجی نشان داد که مدل های SVR۳ (سناریو سه با روش رگرسیون بردار پشتیبان) و M۵P۳ ( سناریو سه با روش مدل درختی M۵P) در ایستگاه آستارا با در نظر گرفتن تمامی پارامترهای هواشناسی و با دارا بودن ضریب همبستگی ۹۹۳/۰، جذر میانگین مربعات خطای ۲۰۱/۰ و همچنین مدل SVR۳ در ایستگاه سیرجان نیز با ضریب همبستگی ۹۸۲/۰، جذر میانگین مربعات خطای ۴۱۰/۰ در مقایسه با روش های تجربی هارگریوز- سامانی، مک کینک، تورک و دالتون نتایج بهتری در تخمین مقادیر تبخیر تعرق روزانه گیاه داشته اند.
کلیدواژه ها:
نویسندگان
فاطمه میکائیلی
دانشجوی کارشناسی ارشد، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
سعید صمدیان فرد
دانشیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :