برآورد روزانه تبخیر و تعرق مرجع در دشت سیستان با استفاده از الگوریتم های
- سال انتشار: 1400
- محل انتشار: مجله مهندسی اکوسیستم بیابان، دوره: 10، شماره: 32
- کد COI اختصاصی: JR_DEEJ-10-32_007
- زبان مقاله: فارسی
- تعداد مشاهده: 49
نویسندگان
دانشکده کشاورزی، دانشگاه پیام نور
گروه مهندسی آب، دانشکده کشاورزی، مجتمع آموزش عالی میناب، دانشگاه هرمزگان
گروه مهندسی آب، دانشکده کشاورزی، دانشگاه زابل
گروه مهندسی آب، دانشکده کشاورزی، دانشگاه زابل
چکیده
تبخیر و تعرق یکی از مهم ترین پارامترهای موثر در اعمال صحیح مدیریت منابع آب بوده و روش های متعدد مستقیم و غیرمستقیمی برای اندازه گیری آن وجود دارد. این روش ها اصولا وقت گیر، پرهزینه و نیازمند داده های هواشناسی زیادی هستند. هدف از اجرای این تحقیق، محاسبه تبخیر و تعرق گیاه مرجع در دشت سیستان با استفاده از الگوریتم های فراابتکاری است. الگوریتم های فراابتکاری از جمله روش های برآورد با دقت و سرعت بالا بدون نیاز به حجم زیادی داده است و تاکنون مطالعات فراوانی در خصوص ارائه روش های تخمین تبخیر- تعرق گیاه مرجع (ET۰) با استفاده از سیستم های هوشمند صورت گرفته است. به این منظور، در این پژوهش به بررسی امکان پیشبینی این مولفه مهم در شمال استان سیستان و بلوچستان با استفاده از مدلهای برنامه ریزی بیان ژن و یادگیری عمیق پرداخته شد. ابتدا بر اساس رابطه فایو پنمن-مانتیث، میزان تبخیر و تعرق پتانسیل روزانه در ایستگاه سینوپتیک زابل با استفاده از دادههای هواشناسی روزانه شامل دمای بیشینه، دمای کمینه، دمای میانگین، رطوبت نسبی حداکثر، رطوبت نسبی حداقل، رطوبت نسبی میانگین، ساعات آفتابی، سرعت باد، بارش و تبخیر از تشت در طول دوره آماری ۱۳۸۸ تا ۱۳۹۶ محاسبه شد. با ارائه الگوهای مختلف شامل ترکیبی از پارامترهای هواشناسی به عنوان ورودی های مدل در مقیاس زمانی روزانه، مقدار تبخیر و تعرق توسط مدل های پیشنهادی به عنوان خروجی مدل برآورد شد. همچنین قابلیت پیش بینی این مدل ها، در مقایسه نتایج آن ها با نتایج روش فائو- پنمن- مانتیث به عنوان روش مبنا ارزیابی شد و این مﻘادیر به عنوان مرجع برای مﻘایسه نتایج مدلهای مورد مطالعه در تحﻘیق استفاده گردید. مقایسه نتایج در مدلهای مختلف بر اساس آمارههای ضریب تبیین و جذر میانگین مربعات خطا صورت گرفت. نتایج نشان داد مدل های برنامه ریزی بیان ژن و یادگیری عمیق دارای دقت بالایی در برآورد میزان تبخیر و تعرق بوده و در تمامی سناریوها، مدل یادگیری عمیق از دقت بالاتری نسبت به مدل بیان ژن برخوردار است. در مدل یادگیری عمیق در بین تمامی سناریوها، سناریوی M۵ با متغیرهای دمای حداکثر، دمای حداقل، دمای میانگین، رطوبت حداکثر، رطوبت حداقل، رطوبت میانگین، سرعت باد و تبخیر از تشت با کمترین خطا (RMSE=۰.۵۱۷) و بیشترین ضریب تبیین (R۲=۰.۹۹۶) و در مدل برنامه ریزی بیان ژن سناریوی M۱ با متغیرهای میانگین دما، دمای کمینه، دمای بیشینه و حداکثر رطوبت با بیشترین ضریب تبیین R۲=۰.۹۸۵ و کمترین خطا RMSE=۰.۹۸۵ حائز بیشترین دقت شدند. نتیجه کلی این تحقیق، توصیه کاربرد مدل یادگیری عمیق برای برآورد تبخیر و تعرق منطقه سیستان است.کلیدواژه ها
تبخیر-تعرق, مدل یادگیری عمیق, مدل GEPاطلاعات 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.