تخمین تبخیر و تعرق مرجع روزانه به کمک مدل یادگیری عمیق، جنگل تصادفی و درخت تصمیم (مطالعه موردی: دشت سیستان)

طی چند سال، استفاده از ابزارها و مدل‌های یادگیری و روش‌های نوین هوشمند، برای برآورد تبخیر و تعرق گیاه مرجع، به طور گسترده‌ رو به رشد بوده است. بنابراین، لازم است تا درستی این مدل‌ها و روش‌ها برای مناطق مختلف بررسی شود. منطقه‌ی سیستان، یکی از مناطق حاصلخیز کشور است که متاسفانه سالیان متمادی است که پدیده‌ی خشکسالی، کشاورزی پررونق را در این منطقه بی‌رمق کرده است. از این‌رو، هرگونه بی‌توجهی به مقوله‌ی آب در این منطقه می‌تواند خسارت سنگینی برای آن محسوب شود. در این تحقیق، پارامترهای اقلیمی موثر در محاسبه‌ی تبخیر و تعرق مرجع روزانه در دشت سیستان شناسایی و توسط سناریوهای مختلف (از m1 تا m25) از ترکیب پارامترهای هواشناسی (از ایستگاه‌های مختلف هواشناسی شهرستان زابل بین سال‌های 2009-2018 تامین شد) به‌عنوان ورودی مدل‌های درخت تصمیم، جنگل تصادفی و یادگیری عمیق، بررسی و بهترین الگو توسط مدل استخراج شد. سپس، میزان دقت حاصل از نتایج این مدل‌ها، با روش تجربی پنمن مانتیث فائو، به‌عنوان روش مبنا مقایسه شد. نتایج نشان دادند که سناریوی m10 با بیشترین ضریب همبستگی (0.983r=) و کمترین خطا (1.003=rmse) به‌عنوان بهترین الگو در مدل درخت تصمیم است. در مدل جنگل تصادفی، باز هم برترین سناریو الگوی m10 با 1.003=rmse و 0.8=mae و 0.981 =r به‌عنوان الگوی برتر شناخته شد و همچنین در مدل یادگیری عمیق الگوی m5 با 0.517=rmse و 0.399=mae و 0.996=rmse به‌عنوان بهترین الگوی در مدل یادگیری عمیق در منطقه مورد مطالعه برگزیده شد. برای بررسی اهمیت پارامترهای مختلف هواشناسی در نتایج مدل‌های مذکور، از بین تمامی ‌پارامترهای مدل درخت تصمیم، به‌ترتیب دمای میانگین، تندی باد، دمای بیشینه و دمای حداقل و در مدل جنگل تصادفی پارامترهای موثر به‌ترتیب دمای حداکثر، تندی باد، دمای میانگین و تبخیر از تشت و در مدل یادگیری عمیق، به‌ترتیب دمای میانگین، دمای بیشینه، تندی باد و رطوبت حداقل بیشترین تاثیر و اهمیت را در مقدار تبخیر و تعرق روزانه دارند. به‌عنوان نتیجه‌گیری کلی، می‌توان گفت که مدل یادگیری عمیق به‌عنوان بهترین مدل در بین مدل‌های انتخابی است و همچنین، سناریوی m5 در مدل یادگیری عمیق از دقت بالاتری (0.996=r و 0.517=rmse) برای مدل‌سازی تبخیر و تعرق پتانسیل مرجع برخوردار است.