برآورد بارش موثر با بکارگیری سنجش از دور و مدل سازی آن با متغیرهای هواشناسی تحت الگوریتم های یادگیری پرکاربرد و شبکه عصبی پیشخور

بارش یکی از مهم ترین اجزای جریان های هیدرولوژیکی به حساب می آید که میزان موثر و قابل استفاده آن برای گیاه در بخش کشاورزی و به ویژه کشت دیم از اهمیت بالایی برخوردار است. در این پژوهش، باران موثر در اراضی تحت کشت گندم دیم شهرستان خمین با به کارگیری سنجش از دور و اجرای الگوریتم سبال بر روی ۲۸ تصویر موجود از لندست ۸ در سال های زراعی ۱۳۹۴-۱۳۹۳ تا ۱۴۰۱-۱۴۰۰ برآورد گردید. برای ارزیابی دقت الگوریتم سبال از روش پنمن مانتیث استفاده شد. سپس، به منظور توسعه یک مدل از تخمین بارش موثر به کمک شبکه عصبی و داده های هوشناسی ابتدا، میزان هم بستگی میان متغیرهای هواشناسی و درجه حرارت رشد روزانه (GDD) با بارش موثر به روش هم بستگی پیرسون بررسی و با توجه به نتایج هم بستگی ها، متغیرها از نظر میزان هم بستگی اولویت بندی شدند. از داده های هواشناسی سه ایستگاه از نزدیک ترین ایستگاه های همدید به منطقه مورد مطالعه برای درونیابی متغیرهای هواشناسی با روش عکس فاصله استفاده شد. با توجه به نتایج هم بستگی ها، متغیر دمای متوسط با هم بستگی ۹۲/۰ و متغیرهای GDD و حداکثر رطوبت نسبی به ترتیب با هم بستگی ۸۶/۰ و ۷۷/۰- به عنوان متغیرهای موثر در برآورد بارش موثر شناخته شدند. در مرحله بعد متغیرهای موثر تحت سناریوهای مختلف برای آموزش شبکه ها به کار گرفته شدند و عملکرد شبکه ها با استفاده از معیار خطای RMSE و MBE ارزیابی شد. نتایج نشان داد که می توان با به کارگیری الگوریتم یادگیری Bayesian regularization و با داشتن متغیرهای دمای روزانه و GDD با دقت بسیار خوبی میزان بارش موثر را برای منطقه مورد نظر پیش بینی نمود. مقدارRMSE این مدل ۱۸۹۹/۰ میلی متر و MBE آن ۰۱۱۵/۰- میلی متر برآورد شد. با استفاده از مدل ارائه شده می توان تنها با داشتن متغیرهای ساده ی هواشناسی، تبخیر تعرق واقعی و در نهایت بارش موثر منطقه دیم مورد نظر را بدون نیاز به حل الگوریتم های پیچیده (نظیر سبال) با دقت مناسبی تخمین زد.

Keywords:

الگوریتم سبال , الگوریتم های یادگیری , بارش موثر , تبخیر تعرق , شبکه عصبی