ارزیابی و بهبود برآورد تبخیر- تعرق مرجع در شرایط محدودیت داده های هواشناسی با استفاده از الگوریتم جنگل تصادفی

سال انتشار: 1405
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 26

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_WRA-40-1_002

تاریخ نمایه سازی: 22 آبان 1405

چکیده مقاله:

این پژوهش باهدف ارزیابی و بهبود برآورد تبخیر-تعرق مرجع در شرایط محدودیت داده، با استفاده از الگوریتم جنگل تصادفی انجام شد. به این منظور، داده های روزانه ۱۷ ایستگاه هواشناسی استان مازندران طی دوره آماری ۲۰۰۰ تا ۲۰۲۵ استفاده شد. ابتدا تبخیر-تعرق مرجع با روش استاندارد فائو پنمن-مانتیث و هشت مدل تجربی در سه گروه دما-محور، تابش - محور و رطوبت -محور محاسبه شد. سپس الگوریتم جنگل تصادفی با استفاده از ترکیب های مختلف متغیرهای هواشناسی و مدل رقومی ارتفاع (DEM) برای بازتولید و بهبود برآورد تبخیر-تعرق آموزش داده شد. عملکرد مدل ها با استفاده از شاخص های  RMSE، NRMSE، MBE، NS  و  dارزیابی شد. نتایج نشان داد که مدل های تابش-محور تمایل به بیش برآوردی و مدل های دما-محور تمایل به کم برآوردی نسبت به روش مرجع دارد. در مقابل، مدل جنگل تصادفی در تمامی سناریوها عملکرد بهتری ارائه داد و توانست خطاهای متداول را کاهش دهد. بیشترین دقت آماری مربوط به سناریوی تابش-محور (RF۳)  بود که مقدار NS برابر با ۰/۹۹ و کمترین مقدار RMSE برابر با ۰/۱۸ را نشان داد. تحلیل حساسیت نیز نشان داد که اهمیت متغیرهای ورودی به سناریوی مدل وابسته است؛ به طوری که دمای بیشینه در RF۱ و RF۲ و ساعات آفتابی در RF۳ بیشترین حساسیت را داشت، درحالی که رطوبت نسبی در RF۴ اثر غالب را نشان داد. الگوریتم جنگل تصادفی با ایجاد مجموعه ای از درخت های تصمیم و ترکیب خروجی آن ها، قادر به مدل سازی روابط غیرخطی بین متغیرهای ورودی و ET₀ است. بااین حال، انتخاب مدل مناسب باید علاوه بر دقت آماری، بر اساس میزان دسترسی به داده ها و هدف کاربردی مطالعه انجام شود.

نویسندگان

محمد علی غلامی سفیدکوهی

استاد گروه مهندسی آب، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری.

فاطمه جعفری

پژوهشگر پسادکتری علوم و مهندسی آب، گروه مهندسی آب، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری.

هما نوغانکار

دکتری علوم و مهندسی آب، شرکت سهامی آب منطقه ای مازندران.

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 :
  • بهزادی کریمی، حسین، مظفری، غلامعلی، امیدوار، کمال و مزیدی، احمد، ...
  • doi:۱۰.۲۲۰۵۹/ijswr.۲۰۲۵.۳۹۷۴۶۸.۶۶۹۹۶۵نصرالهی، محمد، ذوالفقاری، علی اصغر و یزدانی، محمدرضا، ۱۴۰۱. تحلیل ...
  • doi: ۱۰.۳۰۴۶۶/asr.۲۰۲۲.۱۲۱۲۱۷یحیوی دیزج، آمنه، اکبری ازیرانی، طیبه، خالدی، شهریار و ...
  • doi: ۱۰.۲۲۰۶۷/jsw.۲۰۲۳.۸۳۳۲۸.۱۳۰۷Allen, R.G., Pereira, L.S., Raes, D. and Smith, M. ...
  • Amani, S. and Shafizadeh-Moghadam, H. ۲۰۲۳. A review of machine ...
  • doi:۱۰.۱۰۱۶/j.agwat.۲۰۲۳.۱۰۸۳۲۴Bai, Y., Zhang, S., Bhattarai, N., Mallick, K., Liu, Q., ...
  • doi:۱۰.۱۰۱۶/j.agrformet.۲۰۲۰.۱۰۸۳۰۸Bararkhanpour Ahmadi, S., Nadi, M., Mazloom Babanari, S. and Jedariforoughi, ...
  • doi:۱۰.۱۰۱۶/j.hydrol.۲۰۲۰.۱۲۵۲۸۶Chu, R., Li, M., Shen, S., Islam, A.R.M.T., Cao, W., ...
  • doi:۱۰.۱۰۱۶/j.agwat.۲۰۱۷.۰۸.۰۰۳Goyal, P., Kumar, S. and Sharda, R. ۲۰۲۳. A review ...
  • doi:۱۰.۱۳۰۳۱/۲۰۱۳.۲۶۷۷۳Lenhart, T., Eckhardt, K., Fohrer, N. and Frede, H.G. ۲۰۰۲. ...
  • Li, Y., Wang, W., Wang, G. and Tan, Q. ۲۰۲۲. ...
  • doi:۱۰.۳۳۹۰/rs۱۳۱۹۳۸۳۸Mandal, N. and Chanda, K. ۲۰۲۳. Performance of machine learning ...
  • doi:۱۰.۱۰۱۶/j.jhydrol.۲۰۲۳.۱۲۹۴۱۸Nouri, M., Homaee, M. and Bannayan, M. ۲۰۱۸. Spatiotemporal reference ...
  • Qiu, R., Liu, C., Cui, N., Wu, Y., Wang, Z. ...
  • doi:۱۰.۱۰۱۶/j.agwat.۲۰۲۳.۱۰۸۳۳۱Valipour, M., Bateni, S.M., Gholami Sefidkouhi, M.A., Raeini-Sarjaz, M. and ...
  • doi:۱۰.۱۰۶۱/jidedh.irenc-۱۰۴۸۷Wang, S., Lian, J., Peng, Y., Hu, B. and Chen, ...
  • نمایش کامل مراجع