مقایسه عملکرد روش‌های یادگیری ماشین در مدل‌سازی تبخیر‌-تعرق مرجع روزانه وتوزیع مکانی آن(مطالعه موردی: استان زنجان)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

2 دانشگاه تبریز

چکیده

کشور ایران جزء مناطق خشک و نیمه‌خشک جهان است و با محدودیت شدید منابع آب مواجه است. از آنجا که بخش بسیار بزرگی از آب در دسترس به واسطه‌ی تبخیر-تعرق تلف می شود، برآورد دقیق آن حائز اهمیت می باشد. هدف از این تحقیق، مقایسه عملکرد روش‌های یادگیری ماشین شامل رگرسیون خطی چندگانه (MLR)، برنامه ریزی بیان ژن(GEP) و جنگل تصادفی (RF) در مدل‌سازی تبخیر-تعرق مرجع روزانه وتوزیع مکانی آن در استان زنجان است. برای این منظور از داده‌های هواشناسی 10ساله (1388-1398) ایستگاه‌های سینوپتیک زنجان، ماه‌نشان، خدابنده و خرمدره استفاده شد. چهار پارامتر هواشناسی (میانگین دما، میانگین رطوبت نسبی، سرعت باد و تابش خالص) به عنوان ورودی مدل‌ها و تبخیر-تعرق فائو پنمن مانتیث به عنوان خروجی مدل‌ها درنظر گرفته شد. برای مقایسه عملکرد روش‌های یادگیری ماشین با یکدیگر، معیارهای ارزیابی محاسبه، نمودارهای سری زمانی، پراکنش و ویولونی رسم گردید. طبق نتایج بدست آمده در تمامی ایستگاه‌ها به جز ایستگاه زنجان که مدل رگرسیون خطی چندگانه عملکرد خوبی داشت، مدل جنگل تصادفی دقت بالا و خطای کمتری در برآورد تبخیر-تعرق مرجع روزانه را دارد. سایر مدل‌ها نیز با داشتن دقت نزدیک به مدلRF، عملکرد قابل قبولی دارند. بنابراین از خروجی مدل RF جهت پهنه بندی تبخیر-تعرق مرجع روزانه استان زنجان به روش IDW در GIS استفاده گردید. نتایج نشان داد که در شمال غرب استان زنجان بر مقدار تبخیر-تعرق مرجع افزوده می شود که بیشترین مقدار آن در ایستگاه ماه‌نشان(4-3/4) میلی متر بر روز است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Comparing the performance of machine learning methods in modeling daily reference ET and its spatial distribution (case study: Zanjan province)

نویسندگان [English]

  • Simin Ganjei 1
  • Amir Hossein Nazemi 2
1 , Department of Water Engineering, Faculty of Agriculture, University of Tabriz, Tabriz, Iran
2 Department of Water Engineering, Faculty of Agriculture, University of Tabriz, Tabriz, Iran.
چکیده [English]

Iran is one of the world's semi-arid and arid regions, it has serious water resource limitations. Two important independent processes of the hydrological cycle are the combined processes of subsoil evaporation and transpiration from plant. The purpose of this research is to compare the performance of machine learning methods including multiple linear regression (MLR), gene expression programming (GEP) and random forest (RF) in modeling daily reference evapotranspiration and its spatial distribution in Zanjan province.In the current research, the meteorological data of ten years (2009–2019) from the synoptic stations of Zanjan, Mahneshan, Khodabande and Khoramdare were used. , to compare the performance of the machine learning methods with each other, the evaluation criteria including the Root Mean Square Error (RMSE), Coefficient of determination (R2), Scatter Index (SI) and Wilmot Index (WI) were calculated and time series, dispersion and violin charts were drawn.On the other hand, the geostatistical technique was used for estimating the reference evapotranspiration in unmeasured points for zoning because of the limited number of available synoptic stations in Zanjan province. According to the values of statistical indicators, the results showed that all three models have high accuracy and less error in estimating daily reference evapotranspiration, but the random forest (RF) model was chosen as the best model with a small difference. The results of zoning using the inverse distance weighting (IDW) method of this model showed that the rate of evapotranspiration is higher in the northwest of Zanjan province, especially in Mahenshan Station with (4.020-4.273) mm/day.

کلیدواژه‌ها [English]

  • GEP
  • GIS
  • MLR
  • RF
  • Reference Evapotranspiration

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 26 اردیبهشت 1403
  • تاریخ دریافت: 30 آبان 1402
  • تاریخ بازنگری: 11 اردیبهشت 1403
  • تاریخ پذیرش: 26 اردیبهشت 1403
  • تاریخ انتشار: 26 اردیبهشت 1403