تخمین تبخیر-تعرق مرجع روزانه بدون نیاز به سرعت باد با استفاده از مدل های یادگیری ماشین و هیبریدی در ایستگاه های سینوپتیک تبریز و ارومیه
Publish place: The Journal of Water and Soil، Vol: 34، Issue: 3
Publish Year: 1403
نوع سند: مقاله ژورنالی
زبان: Persian
View: 7
This Paper With 17 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_WASO-34-3_005
تاریخ نمایه سازی: 17 مهر 1403
Abstract:
تبخیر-تعرق مرجع روزانه (ET۰) یک عامل کلیدی برای تخمین نیاز آبی محصولات کشاورزی بوده که تعیین کننده عمق مورد نیاز آبیاری است. یکی از روش های متداول برای محاسبه ET۰ استفاده از معادله پنمن-مونتیث (FAO-۵۶ PM) است. با این حال، معادله پنمن-مونتیث به شدت به پارامتر سرعت باد وابسته است، به-طوری که خطای اندک در اندازه گیری سرعت باد سبب خطای قابل توجهی در دقت معادله می گردد. لذا برای بهبود دقت پیش بینی ET۰در مناطق مختلف آب وهوایی کشور که فاقد پارامتر سرعت باد هستند، مقدار ET۰ بر اساس مدل های هوشمند شبکه عصبی مصنوعی، رگرسیون بردار پشتیبان و رگرسیون بردار پشتیبان ترکیب-شده با الگوریتم کرم شب تاب در ایستگاه های ارومیه و تبریز طی دوره ۲۰۲۲-۲۰۰۲ تخمین زده شد. پارامترهای ورودی هواشناسی شامل حداقل رطوبت نسبی، حداکثر رطوبت نسبی، رطوبت نسبی متوسط، ساعات آفتابی، حداقل دما، حداکثر دما، میانگین دما و متوسط دمای خاک بوده و مدل ها با استفاده از معیارهای ارزیابی مورد سنجش قرار گرفتند. ارزیابی نتایج حاصل از مدل ها نشان داد که سناریو چهارم مدل هیبریدی در ایستگاه تبریز با داشتن جذر میانگین مربعات خطای ۲۳/۱ میلی متر در روز و ضریب تبیین ۹۶/۰و همچنین سناریو سوم در ایستگاه ارومیه با داشتن جذر میانگین مربعات خطای ۱۶/۱ میلی متر در روز و ضریب تبیین ۹۲/۰ بهترین عملکرد را در بین تمام مدل های به کار رفته داشتند.
Keywords:
Authors
حسین آقامحمدپور قره باغ
دانشگاه ارومیه
جواد بهمنش
دانشگاه ارومیه
سینا بشارت
دانشیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :