پیش بینی ماهانه تبخیر از تشت با استفاده از رویکردهای انفرادی و ترکیبی مدل های داده کاوی در مناطق خشک
- سال انتشار: 1403
- محل انتشار: فصلنامه مدل سازی و مدیریت آب و خاک، دوره: 4، شماره: 2
- کد COI اختصاصی: JR_MMWS-4-2_013
- زبان مقاله: فارسی
- تعداد مشاهده: 155
نویسندگان
استادیار گروه مدیریت و کنترل بیابان، دانشکده منابع طبیعی، مجتمع آموزش عالی سراوان
استادیار گروه مدیریت و کنترل بیابان، دانشکده منابع طبیعی، مجتمع آموزش عالی سراوان، سراوان، ایران
استادیار گروه مدیریت و کنترل بیابان، دانشکده منابع طبیعی، مجتمع آموزش عالی سراوان، سراوان، ایران
چکیده
برآورد دقیق میزان تبخیر در برنامه ریزی صحیح و بهره برداری بهینه از پروژه های منابع آب و فعالیت های کشاورزی بسیار مهم است. تبخیر تحت تاثیر بسیاری از نیروهای محرکه است که با ویژگی غیرخطی، غیرثابت و تصادفی مشخص می شوند. چنین عواملی به وضوح مانع از راه اندازی مدل های پیش بینی دقیق می شود. از این رو، در این مطالعه به پیش بینی ماهانه تبخیر از تشت با استفاده از رویکردهای انفرادی و ترکیبی مدل های داده کاوی در استان سیستان و بلوچستان پرداخته شده است. داده های هواشناسی شامل متوسط دمای ماهانه، بیشینه دمای ماهانه، کمینه دمای ماهانه، میانگین سرعت باد، متوسط رطوبت نسبی، بیشینه رطوبت نسبی، کمینه رطوبت نسبی و مجموع بارش ماهانه از ایستگاه های سینوپتیک در استان سیستان و بلوچستان به عنوان متغیرهای پیش بینی کننده استفاده شد. در رویکرد عملکرد انفرادی مدل های داده کاوی، از هشت مدل داده کاوی به منظور شبیه سازی و پیش بینی تبخیر از تشت استفاده شد. از رویکرد ترکیبی VEDL به منظور ارائه یک مدل ترکیبی (ترکیب هشت مدل انفرادی داده کاوی اشاره شده) با استفاده از روش واپسگرای رای و رای وزنی مورد استفاده قرار گرفت. به منظور ارزیابی مدل های مورد استفاده در این پژوهش از معیارهای ارزیابی ضریب تعیین (R۲)، ریشه میانگین مربعات خطا (RMSE)، میانگین خطای مطلق و نمودار تیلور استفاده شد. در بین مدل های انفرادی مدل شبکه عصبی مصنوعی (ANN) با میزان R۲ برابر ۸۹/۰ و RMSE برابر ۹۵/۴۵ در مرحله آموزش و میزان R۲ برابر ۹۶/۰ و RMSE برابر ۱۸/۴۴ در مرحله آزمون، بهترین عملکرد را در هر دو مرحله آموزش و آزمون داشته است و به عنوان بهترین مدل داده کاوی در ایستگاه زاهدان به منظور پیش بینی تبخیر از تشت ماهانه معرفی شد. نتایج اجرای مدل ترکیبی نشان داد که رویکرد ترکیبی مدل ها موجب بهبود نتایج نسبت به بهترین مدل انفرادی شده است. به طوری که مقادیر RMSE از مقدار ۹۵/۴۵ به مقدار ۱/۳۳ و مقادیر R۲ از مقدار ۸۹/۰ به مقدار ۹۴/۰ و مقدار MAE از ۹۲/۳۲ به مقدار ۹/۳۲ بهبود یافته است.کلیدواژه ها
استان سیستان و بلوچستان, تبخیر واقعی, واپسگرای رای, داده کاوی, شبیه سازیاطلاعات 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.