ارزیابی مدل های بهینه هیبریدی SVR و RF در پیش بینی تبخیر-تعرق واقعی محصول آفتابگردان

پیش بینی دقیق تبخیر-تعرق واقعی در پاسخ به مشکلات مدیریت منابع آبی و افزایش بهره وری محصولات کشاورزی در شرایط اقلیمی خشک و نیمه خشک امری ضروری تلقی می شود. محصول آفتابگردان به عنوان محصول اقتصادی با دارا بودن مقاومت نسبی به کم آبی، گزینه ای مناسب برای کشت در مناطق با محدودیت آبی است. در این پژوهش، از مدل های رگرسیون بردار پشتیبان (SVR) و جنگل تصادفی (RF) بهینه شده با الگوریتم ژنتیک (GA) برای پیش بینی تبخیر-تعرق واقعی استفاده شده است. برای این منظور داده های لایسیمترهای وزنی در منطقه بوشلند، تگزاس، ایالات متحده طی سال زراعی ۲۰۱۲-۲۰۱۱ استخراج شد. تعداد ۲۳۰ داده در قالب هشت سناریو با ترکیب هایی از پارامترهای اقلیمی مختلف، به عنوان ورودی مدل انتخاب شدند. نتایج این تحقیق نشان داد در مدلSVR-GA، بهترین عملکرد مربوط به ترکیب ورودی هایی بود که شامل دمای روزانه خاک داخل و خارج لایسیمتر در عمق ۶/۱ متری، ذخیره نسبی آب در نیمه شب، میانگین روزانه ذخیره نسبی، دمای خاک در عمق های مختلف، دمای هوا، شار حرارتی خاک در ردیف ها و فاصله بین ردیف ها، رطوبت نسبی و سرعت باد بودند، به طوری که مقدار جذر میانگین مربعات خطا (RMSE) برابر با ۰۱۷/۱ میلی متر بر روز، ضریب همبستگی (R) معادل ۹۵/۰ و ضریب نش-ساتکلیف (NS) برابر با ۹۰۸/۰ حاصل شد. همچنین در مدل RF-GA، بهترین نتایج با متغیرهای ورودی شامل همه موارد فوق به جز سرعت باد به دست آمد و RMSE برابر با ۵۱۶/۱ میلی متر در روز، R معادل ۹۰/۰ و NS برابر با ۷۹۶/۰ بود. مقایسه نتایج نشان داد که استفاده از الگوریتم ژنتیک در بهینه سازی مدل ها باعث افزایش دقت پیش بینی شده است، به طوری که بر اساس معیار RMSE، مدل های هیبریدی SVR-GA و RF-GA  نسبت به مدل های مستقل خود ببه ترتیب کاهش ۹۱/۵۹ و ۸/۳۵ درصدی را تجربه کردند. در نهایت، مدل های هیبریدی می توانند به عنوان ابزاری کارآمد برای تخمین تبخیر-تعرق واقعی در شرایطی که اندازه گیری مستقیم با روش های سنتی پرهزینه یا محدود است، مورد استفاده قرار گیرند.

کلیدواژه ها:

نیاز آبی ، یادگیری ماشین ، جنگل تصادفی ، رگرسیون بردار پشتیبان