مطالعه مقایسه ای با استفاده از روش داده محور در مقابل رویکرد ترکیبی در جهت برآورد تبخیر-تعرق مرجع روزانه در اهواز

پیش بینی تبخیر-تعرق مرجع روزانه یک ابزار تعیین کننده و مفید در کشاورزی پایدار و مسائل هیدرولوژیک، به ویژه در طراحی و مدیریت سیستم های منابع آب می باشد. استفاده از مدل های هیبریدی با کمک عوامل اقلیمی روشی موثر در فرآیند پیش بینی تبخیر-تعرق مرجع روزانه است. بنابراین، در این مطالعه توانایی مدل رگرسیون بردار پشتیبان (SVR) و مدل ترکیبی رگرسیون بردار پشتیبان با الگوریتم مگس میوه (SVR-FOA) در برآورد تبخیر-تعرق مرجع روزانه در ایستگاه اهواز، طی دوره ۲۰۲۲-۲۰۰۰ با استفاده از چهار معیار آماری مورد ارزیابی قرار گرفت. ورودی های مورد استفاده شامل پارامترهای میانگین دما، حداقل دما، حداکثر دما، متوسط رطوبت نسبی، حداقل رطوبت نسبی، حداکثر رطوبت نسبی، سرعت باد و ساعات آفتابی بود. آنالیز حساسیت پارامترهای ورودی با استفاده از ضریب همبستگی پیرسون نیز نشان داد که در میان پارامترهای ورودی، پارامتر ساعات آفتابی و رطوبت نسبی از مولفه های موثر بر پیش بینی تبخیر بودند به طوری که تاثیر مستقیمی روی مقدار تبخیر روزانه داشته و باعث کاهش خطا در تمام مدل ها گردیدند. نتایج به دست آمده نشان داد که سناریو ششم مدل SVR-FOA بهترین عملکرد را با کمترین خطا (mm/day ۲۴/۱) نسبت به تمامی مدل ها ارائه داد. در بین سناریوهای مدل SVR نیز سناریو سوم مدل SVR کمترین خطا را (mm/day ۴۵/۱)، نسبت به سایر ترکیبات SVR از خود نشان داد. نتایج حاصل از این پژوهش نشان داد که سناریو ششم مدل SVR-FOA بهترین عملکرد را داشته و نیز الگوریتم هیبریدی مگس میوه باعث بهبود عملکرد رگرسیون بردار پشتیبان در برآورد تبخیر-تعرق مرجع روزانه گردید.

کلیدواژه ها:

پیش بینی ، بهینه سازی ، الگوریتم مگس میوه ، رگرسیون بردار پشتیبان ، اهواز