ارزیابی راهبرد ترکیب مدل های تجربی و مبتنی بر درخت در پیش بینی تبخیرتعرق مرجع

سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 100

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JEWE-9-2_008

تاریخ نمایه سازی: 4 تیر 1402

چکیده مقاله:

در پژوهش حاضر، از سه مدل داده محور شامل مدل درختی M۵P، REP و جنگل تصادفی در تخمین تبخیر-تعرق مرجع روزانه استفاده شد. توانایی این سه مدل در تخمین تبخیر-تعرق مرجع در حالت منفرد و ترکیبی مورد مطالعه قرار گرفت. به این منظور از داده های هواشناسی روزانه پنج ایستگاه هواشناسی در استان کرمان در بازه زمانی ۱۳۷۹ تا ۱۳۹۹ استفاده شد. یک ترکیب از متغیرهای هواشناسی، با استفاده از تحلیل حساسیت در مقابل مقادیر تبخیر-تعرق مرجع حاصل از فائو- پنمن- مونتیث، به عنوان ورودی برای هر یک از مدل های مذکور در نظر گرفته شد. درنهایت، دقت روش های مذکور و روش های تجربی در برآورد تبخیر-تعرق گیاه مرجع با استفاده از شاخص های آماری مورد مقایسه و مدل برتر انتخاب شد. نتایج در مرحله صحت سنجی نشان داد که روش M۵P به صورت منفرد (۰۸۳/۰ = RSME و ۹۹۸/۰NS =  در ایستگاه بم) و روش میانگین گیری وزنی از مدل های درختی به صورت ترکیبی (RMSE = ۰.۱۵۵ و NS = ۰.۹۹۴ در ایستگاه بم و سیرجان) در همه ایستگاه های مورد مطالعه نتایج بهتری در تخمین مقادیر تبخیر-تعرق مرجع داشته اند. در حالت کلی، مدل های درختی به خصوص M۵P، در مقایسه با مدل های تجربی نتایج بهتری در تخمین مقادیر تبخیر-تعرق روزانه گیاه داشته اند.

نویسندگان

فاطمه میکائیلی

دانشجوی کارشناسی ارشد، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

سعید صمدیان فرد

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

رضا دلیرحسن نیا

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

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :
  • Allen, R. G., Pereira, L. S., Raes, D. and Smith, ...
  • Ayaz, A., Rajesh, M., Kumar Singh, S. and Shaik Rehana. ...
  • Breiman, L. (۲۰۰۱). Random forests. Machine Learn., ۴۵(۱), ۵–۳۲ ...
  • Djaman, K., Balde, A. B., Sow, A., Muller, B., Irmak, ...
  • Granata, F. (۲۰۱۹). Evapotranspiration evaluation models based on machine learning ...
  • Samadianfard, S., Salarifar, M., Javidan, S. and Mikaeili, F. (۲۰۲۰). ...
  • Shiri, J. (۲۰۱۸). Improving the performance of the mass transfer- ...
  • Witten, H., Frank, E., Hall, A. and Pal, J. (۲۰۱۶). ...
  • Yang, Y., Chen, R., Han, C., Liu, Z. and Wang, ...
  • نمایش کامل مراجع