مدل‌سازی فرایند تبخیر-تعرق روزانه با استفاده از مدل‌های رگرسیونی و هوشمند (مطالعه‌ موردی)

تبخیر-تعرق نقش مهمی در مدیریت منابع آب منطقه‌ای، تغییرات آب‌وهوایی و تولید کشاورزی دارد. در این تحقیق، کارایی برخی از تکنیک‌های داده‌محور، شامل ماشین بردار پشتیبان (svm)، شبکه‌های عصبی مصنوعی (ann) و ترکیب آن با تبدیل موجک (wann)، رگرسیون خطی چندمتغیره (mlr) و درخت تصمیم (decision tree) برای پیش‌بینی نرخ تبخیر-تعرق در ایستگاه اسکاتس‌بلوف در ایالت نبراسکا بررسی شد. برای این منظور، از 5 پارامتر هواشناسی (دمای کمینه، دمای بیشینه، رطوبت نسبی، سرعت باد و تابش خورشیدی) به‌عنوان ورودی برای مدل‌ها استفاده شد. داده‌های مورد استفاده‌ در این تحقیق اطلاعات هواشناسی روزانه بین سال‌های 2005 و 2013 برای آموزش و آزمون مدل‌ها بود. به‌منظور اجرای هریک از مدل‌ها 8 سناریو با توجه به ترکیب پارامترهای ورودی درنظر گرفته شد. برای ارزیابی عملکرد تکنیک‌های مورد مطالعه، از سه شاخص آماری مختلف، یعنی ریشه‌ میانگین مربع خطا (rmse)، ضریب همبستگی (r) و ضریب نش‌ساتکلیف (nse) استفاده شد که بدین‌وسیله نتایج مدل‌ها با داده‌های مشاهداتی بررسی شد؛ علاوه‌بر این، نمودارهای تیلور برای آزمایش شباهت بین داده‌های مشاهده‌شده و پیش‌بینی‌شده ‌استفاده شد. نتایج نشان داد که در ایستگاه اسکاتس‌بلوف، 8wann (هشتمین ترکیب ورودی برای مدل wann است) با توجه به مقادیر ریشه‌ میانگین مربع خطا (rmse)، ضریب همبستگی (r) و ضریب نش‌ساتکلیف به‌ترتیب برابر با 097/0 میلی‌متر در روز، 999/0 و 999/0 عملکرد بهتری در مقایسه با ann ، svm، mlr و dt داشت. مدل‌های svm و ann نیز دقت بسیار خوبی را نشان دادند و مدل‌های dt و mlr با وجود قابل‌قبول‌بودن دقت در آن‌ها از سایر مدل‌ها ضعیف‌تر عمل کردند. به‌عنوان یک نتیجه‌گیری، نتایج حاصل از مطالعه‌ فعلی ثابت کرد که wann روندهای معقولی را برای مدل‌سازی اسکاتس‌بلوف در ایستگاه اسکاتس‌بلوف ارائه کرده‌است.