ارزیابی تکنیک سنجش از دور و مدل های یادگیری ماشین در برآورد تبخیروتعرق گیاه نیشکر

تخمین تبخیروتعرق گیاه در مناطق خشک و نیمه­خشک چالش برانگیز است زیرا این فرایند در طول زمان و مکان بسیار پویا است. هم چنین اندازه­گیری این متغیر به صورت میدانی کاری بسیار وقت­گیر و هزینه­بر است. لذا این پژوهش با هدف ایجاد چارچوبی برای برآورد بهینه تبخیروتعرق گیاه نیشکر در مقیاس مکانی- زمانی با استفاده از چهار مدل یادگیری ماشین (MLR، CART، SVR و GBRT) در ترکیب با داده­های سنجش از دور و متغیر­های هواشناسی صورت گرفت. هم چنین به منظور کاهش وابستگی به پارامترهای متعدد هواشناسی در روش­های مرسوم برآورد تبخیروتعرق، هشت مدل مختلف تجربی مبتنی بر دما و چهار مدل اصلاحی هارگریوز سامانی نسبت به مدل استاندارد فائو- پنمن- مانتیث ارزیابی شد. بدین منظور داده­های هواشناسی از ایستگاه هواشناسی کشت و صنعت نیشکر حکیم فارابی در دوره زمانی سه ساله (۱۴۰۰-۱۳۹۷) گردآوری شدند. نه ترکیب مختلف از متغیرهای ورودی (داده­های سنجش از دور و متغیر­های هواشناسی) براساس روش Information Gain Ratio طراحی شدند و سپس توسط الگوریتم­های یادگیری ماشین ارزیابی شدند. نتایج نشان داد که بیش ترین دقت مدل های یادگیری ماشین براساس آماره هایR۲ ، RMSE و MAE به ترتیب در مدل های CART (۹۹/۰، ۴۱/۰ و ۱۸/۰) و GBRT (۹۹/۰، ۶۵/۰ و ۲۶/۰) به دست آمد. هم چنین از بین روش­های تجربی مبتنی بر دما، روش ایوانف با R۲ برابر ۹۱/۰ و روش بایر رابرتسون با R۲ برابر ۷۸/۰ به ترتیب بهترین و ضعیف­ترین عملکرد را ثبت کردند. به طورکلی روش سنجش از دور در ترکیب با مدل­های یادگیری ماشین توانست مقادیر بهتر و دقیق­تری از تبخیروتعرق گیاه را در مقیاس زمان و مکان ارائه نماید.

Keywords:

درخت تصمیم , رگرسیون بردار پشتیبان , شاخص های طیفی , مدل درخت گرادیان بوستینگ , مدل های تجربی