تخمین تبخیر-تعرق مرجع روزانه بدون نیاز به سرعت باد با استفاده از مدل های یادگیری ماشین و هیبریدی در ایستگاه های سینوپتیک تبریز و ارومیه
محل انتشار: نشریه دانش خاک و گیاه، دوره: 34، شماره: 3
سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 88
فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_SPS-34-3_005
تاریخ نمایه سازی: 14 بهمن 1403
چکیده مقاله:
تبخیر-تعرق مرجع روزانه (ET۰) یک عامل کلیدی برای تخمین نیاز آبی محصولات کشاورزی بوده که تعیین کننده عمق مورد نیاز آبیاری است. یکی از روش های متداول برای محاسبه ET۰ استفاده از معادله پنمن-مونتیث (FAO-۵۶ PM) است. با این حال، معادله پنمن-مونتیث به شدت به پارامتر سرعت باد وابسته است، به-طوری که خطای اندک در اندازه گیری سرعت باد سبب خطای قابل توجهی در دقت معادله می گردد. لذا برای بهبود دقت پیش بینی ET۰در مناطق مختلف آب وهوایی کشور که فاقد پارامتر سرعت باد هستند، مقدار ET۰ بر اساس مدل های هوشمند شبکه عصبی مصنوعی، رگرسیون بردار پشتیبان و رگرسیون بردار پشتیبان ترکیب-شده با الگوریتم کرم شب تاب در ایستگاه های ارومیه و تبریز طی دوره ۲۰۲۲-۲۰۰۲ تخمین زده شد. پارامترهای ورودی هواشناسی شامل حداقل رطوبت نسبی، حداکثر رطوبت نسبی، رطوبت نسبی متوسط، ساعات آفتابی، حداقل دما، حداکثر دما، میانگین دما و متوسط دمای خاک بوده و مدل ها با استفاده از معیارهای ارزیابی مورد سنجش قرار گرفتند. ارزیابی نتایج حاصل از مدل ها نشان داد که سناریو چهارم مدل هیبریدی در ایستگاه تبریز با داشتن جذر میانگین مربعات خطای ۲۳/۱ میلی متر در روز و ضریب تبیین ۹۶/۰و همچنین سناریو سوم در ایستگاه ارومیه با داشتن جذر میانگین مربعات خطای ۱۶/۱ میلی متر در روز و ضریب تبیین ۹۲/۰ بهترین عملکرد را در بین تمام مدل های به کار رفته داشتند.
کلیدواژه ها:
نویسندگان
حسین آقامحمدپورقره باغ
Department of Water Engineering, Faculty of Agriculture, University of Urmia
جواد بهمنش
Department of Water Engineering, Faculty of Agriculture, Urmia University
سینا بشارت
Department of Water Engineering, Urmia University
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :