استفاده از روش یادگیری ماشین به منظور برآورد تبخیر و تعرق(مطالعه موردی: استان سمنان)

تبخیر و تعرق (ET) در مناطق خشک و نیمه خشک از اهمیت زیادی برخوردار بوده و برآورد دقیق آن در برنامه ریزی و مدیریت شیوه های آبیاری حائز اهمیت  است. استان سمنان دارای تعداد محدودی ایستگاه سینوپتیک و تبخیرسنجی است که کمبود داده های تبخیر و تعرق سبب شده که برآورد مکانی آن با مشکل مواجه گردد. در این مطالعه از محصول تبخیر و تعرق حاصل از داده های بازتحلیل ERA۵-Land به همراه متغیرهای کمکی ارتفاع و دما برای برآورد تبخیر و تعرق در منطقه موردمطالعه استفاده شد. همچنین به منظور برقراری ارتباط بین متغیرهای کمکی و داده های تبخیر و تعرق از روش یادگیری ماشین جنگل تصادفی (RF) استفاده شد و نقشه تبخیر و تعرق در منطقه موردمطالعه با استفاده از مدل RF تهیه شد. دقت مدل RF در برآورد تبخیر و تعرق با استفاده از چهار معیار آماری شامل ضریب همبستگی (r)، مقدار اریبی (BIAS)، میانگین ریشه مربعات خطا (RMSE) و شاخص KGE مورد ارزیابی قرار گرفت. نتایج مرحله اعتبارسنجی، کارایی بالای مدل RF را نشان داد (R² = ۰.۹۵،  ۴.۱-BIAS= ،  RMSE = ۹۸.۶ و KGE = ۰.۹۲). همچنین مشخص شد عملکرد مدل RF در برآورد تبخیر و تعرق با استفاده از متغیرهای ورودی به وابستگی خطای مدل (BIAS) به توپوگرافی بستگی دارد و متغیر ارتفاع عامل مهمی در برآورد تبخیر و تعرق محسوب می گردد. نتایج این مطالعه نشان داد که استفاده از داده کاوی و پردازش در محیط برنامه نویسی R، در مناطقی با تعداد محدود ایستگاه هواشناسی، برآورد دقیق میزان تبخیر و تعرق در مناطق خشک و نیمه خشک را ممکن می سازد.

کلیدواژه ها:

واژه های کلیدی: ارتفاع ، دما ، ERA۵-Land ، مدل جنگل تصادفی(RF)