پیش بینی تبخیر با رویکرد یادگیری ماشین (مطالعه موردی: ایستگاه زابل)

پیش بینی دقیق میزان تبخیر یکی از چالشهای مهم در حوزه مدیریت منابع آبی و مطالعات اقلیمی است که نقش تعیین کننده ای در برنامه ریزی کشاورزی و طراحی سیستمهای آبیاری و زهکشی دارد. روشهای سنتی که مبتنی بر فرمولهای تجربی یا مدلهای آماری ساده هستند به دلیل عدم توانایی در مدلسازی پیچیدگیهای غیر خطی فرآیند تبخیر دقت کمی دارند. در این مقاله الگوریتم یادگیری ماشین CatBoost که قادر به مدیریت دادههای پیچیده با دقت و کارایی بالا،است برای پیشبینی میزان تبخیر به کار گرفته شده است. برای این منظور دادههای هواشناسی ایستگاه زابل در بازه زمانی ۱۳۶۲ تا ۱۴۰۲ با استفاده از دو الگوریتم یادگیری ماشین سنتی به نامهای شبکه عصبی پرسپترون چندلایه و درخت تصمیم M۵ و نیز الگوریتم جدید CatBoost مورد تجزیه و تحلیل قرار گرفته اند برای تعیین بهترین روش پیش بینی تبخیر کارایی سه الگوریتم مذکور بر اساس معیارهای آماری مختلف ارزیابی و مقایسه شده است. نتایج ارزیابیهای انجام گرفته نشان میدهد که مدل پیشنهادی بر پایه CatBoost با کمترین خطا (۲.۹۷۹ MAE و ۴.۱۱۰ RMSE) بهترین عملکرد را در پیشبینی تبخیر دارد. بنابراین با توجه به دقت بالا و نیاز به منابع محاسباتی کمتر، CatBoost به عنوان ابزاری کارآمد برای تحلیلهای هیدرولوژیکی به ویژه در پیشبینی تبخیر و تعرق در مناطق خشک توصیه می شود.

کلیدواژه ها:

الگوریتم CatBoost ، پیش بینی تبخیر ، یادگیری ماشین ، مناطق خشک ، زابل