ارزیابی تکنیک سنجش از دور و مدل های یادگیری ماشین در برآورد تبخیروتعرق گیاه نیشکر
- سال انتشار: 1402
- محل انتشار: فصلنامه مدیریت آب و آبیاری، دوره: 13، شماره: 4
- کد COI اختصاصی: JR_JWIM-13-4_007
- زبان مقاله: فارسی
- تعداد مشاهده: 58
نویسندگان
گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران.
گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران.
گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران.
گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران.
گروه سنجش از دور محیطی و ژئوماتیک، مرکز آب، زمین و محیط زیست، INRS -کبک، کانادا.
چکیده
تخمین تبخیروتعرق گیاه در مناطق خشک و نیمهخشک چالش برانگیز است زیرا این فرایند در طول زمان و مکان بسیار پویا است. هم چنین اندازهگیری این متغیر به صورت میدانی کاری بسیار وقتگیر و هزینهبر است. لذا این پژوهش با هدف ایجاد چارچوبی برای برآورد بهینه تبخیروتعرق گیاه نیشکر در مقیاس مکانی- زمانی با استفاده از چهار مدل یادگیری ماشین (MLR، CART، SVR و GBRT) در ترکیب با دادههای سنجش از دور و متغیرهای هواشناسی صورت گرفت. هم چنین به منظور کاهش وابستگی به پارامترهای متعدد هواشناسی در روشهای مرسوم برآورد تبخیروتعرق، هشت مدل مختلف تجربی مبتنی بر دما و چهار مدل اصلاحی هارگریوز سامانی نسبت به مدل استاندارد فائو- پنمن- مانتیث ارزیابی شد. بدین منظور دادههای هواشناسی از ایستگاه هواشناسی کشت و صنعت نیشکر حکیم فارابی در دوره زمانی سه ساله (۱۴۰۰-۱۳۹۷) گردآوری شدند. نه ترکیب مختلف از متغیرهای ورودی (دادههای سنجش از دور و متغیرهای هواشناسی) براساس روش Information Gain Ratio طراحی شدند و سپس توسط الگوریتمهای یادگیری ماشین ارزیابی شدند. نتایج نشان داد که بیش ترین دقت مدل های یادگیری ماشین براساس آماره هایR۲ ، RMSE و MAE به ترتیب در مدل های CART (۹۹/۰، ۴۱/۰ و ۱۸/۰) و GBRT (۹۹/۰، ۶۵/۰ و ۲۶/۰) به دست آمد. هم چنین از بین روشهای تجربی مبتنی بر دما، روش ایوانف با R۲ برابر ۹۱/۰ و روش بایر رابرتسون با R۲ برابر ۷۸/۰ به ترتیب بهترین و ضعیفترین عملکرد را ثبت کردند. به طورکلی روش سنجش از دور در ترکیب با مدلهای یادگیری ماشین توانست مقادیر بهتر و دقیقتری از تبخیروتعرق گیاه را در مقیاس زمان و مکان ارائه نماید.کلیدواژه ها
درخت تصمیم, رگرسیون بردار پشتیبان, شاخص های طیفی, مدل درخت گرادیان بوستینگ, مدل های تجربیاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.