مقایسه عملکرد مدل های GLM، RF وDL در برآورد تبخیر-تعرق گیاه مرجع در ایستگاه سینوپتیک زابل
عنوان مقاله: مقایسه عملکرد مدل های GLM، RF وDL در برآورد تبخیر-تعرق گیاه مرجع در ایستگاه سینوپتیک زابل
شناسه ملی مقاله: JR_JWMR-11-22_018
منتشر شده در در سال 1399
شناسه ملی مقاله: JR_JWMR-11-22_018
منتشر شده در در سال 1399
مشخصات نویسندگان مقاله:
هادی سیاسر - payam nour university of zabol
تورج هنر - shiraz university
خلاصه مقاله:
هادی سیاسر - payam nour university of zabol
تورج هنر - shiraz university
تبخیر- تعرق یکی از مهمترین اجزای چرخه هیدرولوژی برای برنامهریزی سیستم های آبیاری و ارزیابی اثرات هیدرولوژی تغییر اقلیم است و تعیین صحیح آن برای بسیاری از مطالعات از قبیل توازن هیدرولوژیکی آب، طراحی شبکه های آبیاری و زهکشی، شبیه سازی میزان محصولات و طراحی و بهینه سازی منابع آب از اهمیت بالایی برخوردار است. خاصیت غیرخطی، عدم قطعیت ذاتی و نیاز به اطلاعات متنوع اقلیمی در برآورد تبخیر وتعرق از دلایلی بودهاند که باعث شده پژوهشگران از روشهای مبتنیبر هوش مصنوعی استفاده نمایند. در این تحقیق جهت برآوردی دقیق از مقدار تبخیر-تعرق مرجع روزانه بین سالهای ۲۰۱۸-۲۰۰۹ در شهرستان زابل در شمال استان سیستان و بلوچستان ابتدا براساس روش استاندارد و متداول فائو- پنمن- مونتیث و داده های هواشناسی ایستگاه سینوپتیک زابل مقدار تبخیر-تعرق مرجع مرجع ETo محاسبه و سپس با ارائه سناریوهای مختلفی از ترکیب پارامترهای هواشناسی شامل دمای حداکثر، دمای حداقل، دمای میانگین، رطوبت حداکثر، رطوبت حداقل، رطوبت میانگین، بارش، ساعات آفتابی، سرعت باد و تبخیر به عنوان ورودی مدلهای یادگیری عمیق، جنگل تصادفی و مدل خطی تعمیم یافته در مقیاس زمانی روزانه سعی در برآورد دقیق تری از تبخیر- تعرق مرجع به عنوان خروجی مدل شده است. در برآورد تبخیر و تعرق روزانه در مدلهای مذکور، ۲۵ سناریو از ترکیب داده های هواشناسی انتخاب گردید و برای ارزیابی مدلها از روش فائو-پنمن- مانتیث استفاده شد. دربین سناریوهای مورد بررسی، سناریوی M۵ (دمای حداکثر، دمای حداقل، دمای میانگین، رطوبت حداکثر، رطوبت حداقل، رطوبت میانگین، سرعت باد و تبخیر از تشت) برای مدل یادگیری عمیق با ریشه میانگین مربعات خطا (۰/۵۱۷) میلیمتر بر روز و بیشترین ضریب همبستگی (۹۹۶۰ بهترین عملکرد را در بین مدلهای فوق داشتند. همچنین مدل یادگیری عمیق دقت و پایداری بیشتری نسبت به دیگر مدلها نشان دادند. بنابراین این تحقیق مدل یادگیری عمیق را برای برآورد تبخیر و تعرق گیاه مرجع در شهر زابل توصیه می کند.
کلمات کلیدی: Deep Learning, Evapotranspiration, FAO-Penman-Monteith, Uncertainty, تبخیر و تعرق, عدم قطعیت, فائو-پنمن- مانتیث, یادگیری عمیق
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1275329/