بهره گیری از روش های یادگیری ماشین: تخمین تبخیر و تعرق روزانه گیاه مرجع با استفاده از شبکه های عصبی در استان خراسان رضوی

تبخیر و تعرق یکی از مهمترین مولفه های بیلان آب و انرژی است که تخمین دقیق آن برای مدیریت منابع آب، برنامه ریزی آبیاری و مطالعات محیطزیستی ضروری است. در سال های اخیر، استفاده از تکنیک های یادگیری ماشین (ML) راهکار امیدوارکننده ای برای بهبود دقت پیش بینی تبخیر و تعرق ارائه کرده است. در این مطالعه، دو مدل شبکه عصبی مصنوعی، شامل پرسپترون چند لایه (MLP) و شبکه با پایه شعاعی (RBF)، برای تخمین تبخیر و تعرق گیاه مرجع در ایستگاه های مشهد، سبزوار و تربت جام در استان خراسان رضوی به کار گرفته شدند. داده های هواشناسی شامل دما، رطوبت نسبی، سرعت باد و ساعات آفتابی از سال ۱۳۷۱ تا ۱۴۰۲ جمع آوری و پس از نرمال سازی برای آموزش مدل ها استفاده شدند. مقادیر تبخیر و تعرق محاسبه شده با روش فائو-پنمن-مانتیث به عنوان داده های هدف جهت ارزیابی مدل ها در نظر گرفته شد. نتایج نشان داد این مدل ها، به ویژه MLP، عملکرد مطلوبی در تخمین تبخیر و تعرق داشته و دقت بالاتری نسبت به روش های لیناکر و هارگریوز-سامانی ارائه کردند. همچنین، حذف سرعت باد در ایستگاه های تربت جام و مشهد موجب کاهش ۵/۱ درصدی و در ایستگاه سبزوار باعث کاهش ۱۱/۳ درصدی ضریب تعیین (R²) شد، درحالی که حذف ساعات آفتابی تاثیر ناچیزی بر دقت مدل داشت. این یافته ها بر پتانسیل بالای شبکه های عصبی مصنوعی در برآورد تبخیر و تعرق در شرایط کمبود داده تاکید داشته و می توانند به مدیریت بهینه منابع آب کشاورزی در منطقه مورد مطالعه کمک کنند.

کلیدواژه ها:

تبخیر و تعرق ، یادگیری ماشین ، شبکه های عصبی ، مدل سازی ، مدیریت آب