برآورد تبخیر و تعرق مرجع با استفاده از داده‌های سنجش‌ازدور در دشت همدان- بهار

باتوجه‌ به افزایش تولید محصولات کشاورزی و همچنین وقوع خشکسالی مکرر در بسیاری از مناطق جهان، نیاز شدیدی به برآورد دقیق‌‌تری از میزان آب مصرفی گیاهان و درنتیجه برآورد دقیق تبخیر و تعرق مرجع احساس می‌‌شود. معادلة پنمن مانتیث فائو برای برآورد تبخیر و تعرق مرجع به‌عنوان روشی استاندارد در بسیاری از تحقیقات معرفی شده است. ازجمله معایب اصلی این روش، به‌صورت نقطه‌ای بودن و دردسترس‌بودن داده‌‌های هواشناسی در مکان‌‌های خاص است؛ درحالی‌که با استفاده از داده‌‌های سنجش‌ازدور می‌‌توان این مشکل را برطرف کرد. در این پژوهش، هدف اصلی ترکیب داده‌‌های سنجش‌ازدور با مدل‌‌های یادگیری ماشین، برآورد تبخیر و تعرق مرجع است. با استفاده از مدل‌‌های یادگیری ماشین، چالش‌‌های انتخاب بهترین مدل ممکن، متغیرهای ورودی مدل و دردسترس‌بودن داده‌‌های موردنیاز ایجاد می‌‌شود؛ بنابراین در این پژوهش مدل‌‌های مطرح rf، gbr و svr، انتخاب و از داده‌‌های تصاویر لندست و شاخص‌‌های پوشش گیاهی استفاده شد. منطقة موردمطالعه، دشت همدان- بهار واقع در مناطق غربی کشور است. در این پژوهش برای برآورد تبخیر و تعرق مرجع، از دو رویکرد استفاده شد که در رویکرد اول، متغیرهای ورودی مدل‌‌ها با مقادیر همة باندهای تصاویر لندست؛ درحالی‌که در رویکرد دوم، شاخص‌‌های پوشش گیاهی به‌عنوان ورودی مدل معرفی و استفاده شد. مدل rf با شاخص‌‌های پوشش گیاهی، نتایج آماری برابر با (%14.1=rmse و %76.4=r^2) داشت؛ درحالی‌که با استفاده از همة باندهای لندست (%11.7=rmse و %84.1=r^2) و همچنین در مقایسه با الگوریتم‌‌های دیگر، با مقداری دقت بیشتر، تبخیر و تعرق مرجع را برآورد کرد. نتایج، بیان‌کنندة توانایی و پتانسیل شاخص‌‌های پوشش گیاهی به‌تنهایی و تصاویر لندست در تهیة اطلاعات لازم برای مدیریت آبیاری در کشاورزی و همچنین توانایی الگوریتم‌‌های یادگیری ماشین در برآورد پارامترهایی نظیر تبخیر و تعرق مرجع بود