تخمین تبخیر و تعرق پتانسیل با استفاده از روش های یادگیری ماشین

تخمین تبخیر و تعرق پتانسیل (PET) به عنوان یکی از مولفه های کلیدی در مدیریت منابع آب و برنامه ریزی کشاورزی، نیازمند روش های دقیق و کارآمد است. روش دقیق برای این کار استفاده از لایسیمتر است که به دلیل هزینه بالا و پیچیدگی، با محدودیت مواجه می باشد. بنابراین از مدل های ریاضی مانند مدل های تبخیر-تعرق استفاده می شود که از معروف ترین آن ها مدل فائو-پنمن-مانتیث است. در سال های اخیر، روش های یادگیری ماشین نیز برای تعیین تبخیر-تعرق پتانسیل به کار رفته اند. در این تحقیق، داده های لایسیمتر و ایستگاه هواشناسی ایستگاه اکباتان همدان برای محاسبه تبخیر-تعرق پتانسیل به دو روش پنمن-مانتیث و روش های یادگیری ماشین تحلیل شدند. در تحقیق حاضر، شش پارامتر شامل حداکثر و حداقل دما، رطوبت، ساعات آفتابی و سرعت باد به عنوان ورودی در نظر گرفته شد و کدنویسی همه روش ها در فضای ابری گوگل کلب به زبان پایتون انجام شده است. مقدار خطای به دست آمده از روش پنمن-مانتیث ۱.۲۰۶ میلی متر در روز و از روش های یادگیری ماشین که شامل گرادیان بوستینگ، جنگل تصادفی، ماشین بردار پشتیبان بود به ترتیب ۰.۹۶۲، ۰.۹ و ۰.۹۱میلی متر در روز حاصل شد و مشخص شد که روش های یادگیری ماشین نسبت به روش پنمن مانتیث خطای کمتری داشت همچنین از مقایسه نتایج بین مدل های یادگیری ماشین یاد شده مدل Random Forest با دستیابی به کمترین مقادیر MSE، RMSE و NRMSE و بیشترین مقدار R²، بالاترین دقت و پایداری را نشان داد مدل SVM نیز عملکردی نزدیک به RF داشت و در شاخص MAE بهترین نتیجه را کسب نمود، هرچند مقدار ME آن نسبت به RF بالاتر بود. در مقابل، مدل Gradient Boosting در اغلب معیارها ضعیف تر عمل کرد و دقت پایین تری نسبت به دو روش دیگر نشان داد. بر این اساس، می توان نتیجه گرفت که استفاده از روش Random Forest گزینه ای مناسب و قابل اعتماد برای تخمین تبخیر و تعرق پتانسیل در شرایط مشابه پژوهش حاضر است.

کلیدواژه ها:

تبخیر و تعرق پتانسیل ، یادگیری ماشین ، ماشین بردار پشتیبان ، جنگل تصادفی ، مدل های ترکیبی