مقایسه عملکرد مدل‌های glm، rf وdl در برآورد تبخیر-تعرق گیاه مرجع در ایستگاه سینوپتیک زابل

تبخیر تعرق یکی از مهم ترین اجزای چرخه هیدرولوژی برای برنامه ریزی سیستم های آبیاری و ارزیابی اثرات هیدرولوژی تغییر اقلیم است و تعیین صحیح آن برای بسیاری از مطالعات از قبیل توازن هیدرولوژیکی آب، طراحی شبکه های آبیاری و زهکشی، شبیه سازی میزان محصولات و طراحی و بهینه سازی منابع آب از اهمیت بالایی برخوردار است. خاصیت غیرخطی، عدم قطعیت ذاتی و نیاز به اطلاعات متنوع اقلیمی در برآورد تبخیر وتعرق از دلایلی بوده اند که باعث شده پژوهشگران از روش های مبتنی بر هوش مصنوعی استفاده نمایند. در این تحقیق جهت برآوردی دقیق از مقدار تبخیرتعرق مرجع روزانه بین سال های 20182009 در شهرستان زابل در شمال استان سیستان و بلوچستان ابتدا براساس روش استاندارد و متداول فائو پنمن مونتیث و داده های هواشناسی ایستگاه سینوپتیک زابل مقدار تبخیرتعرق مرجع مرجع eto محاسبه و سپس با ارائه سناریوهای مختلفی از ترکیب پارامترهای هواشناسی شامل دمای حداکثر، دمای حداقل، دمای میانگین، رطوبت حداکثر، رطوبت حداقل، رطوبت میانگین، بارش، ساعات آفتابی، سرعت باد و تبخیر به عنوان ورودی مدل های یادگیری عمیق، جنگل تصادفی و مدل خطی تعمیم یافته در مقیاس زمانی روزانه سعی در برآورد دقیق تری از تبخیر تعرق مرجع به عنوان خروجی مدل شده است. در برآورد تبخیر و تعرق روزانه در مدل های مذکور، 25 سناریو از ترکیب داده های هواشناسی انتخاب گردید و برای ارزیابی مدل ها از روش فائوپنمن مانتیث استفاده شد. دربین سناریوهای مورد بررسی، سناریوی m5 (دمای حداکثر، دمای حداقل، دمای میانگین، رطوبت حداکثر، رطوبت حداقل، رطوبت میانگین، سرعت باد و تبخیر از تشت) برای مدل یادگیری عمیق با ریشه میانگین مربعات خطا (0/517) میلی متر بر روز و بیشترین ضریب همبستگی (0/996بهترین عملکرد را در بین مدل های فوق داشتند. همچنین مدل یادگیری عمیق دقت و پایداری بیشتری نسبت به دیگر مدل ها نشان دادند. بنابراین این تحقیق مدل یادگیری عمیق را برای برآورد تبخیر و تعرق گیاه مرجع در شهر زابل توصیه می کند.

Comparison of Performance of GLM, RF and DL Models in Estimation of Reference Evapotranspiration in Zabol Synoptic Station

Evapotranspiration is one of the most important components of the hydrology cycle for planning irrigation systems and assessing the impacts of climate change hydrology and correct determination is important for many studies such as hydrological balance of water, design of irrigation irrigation networks, simulation of crop yields, design, optimization of water resources, nonlinearity, inherent uncertainty, and the need for diverse climatic information in estimating evapotranspiration have been the reasons why researchers have used artificial intelligencebased approaches. In this study, to estimate accurately the daily reference evapotranspiration between 20092018 in Zabol city, north of Sistan and Baluchestan province, first was used a standard FAOPenmanMontith method and Zabol synoptic station meteorological data the ETo reference transpiration is calculated and then presented by various scenarios of meteorological parameters including: maximum, minimum and mean temperature, maximum, minimum and mean humidity, precipitation, sunshine, wind speed and evaporation as inputs for deep learning models, Random forest and generalized linear model were attempted on a daily time scale More accurately. In estimating daily evapotranspiration in these models, 25 scenarios were selected from meteorological data combination and FAOPenmanMonteith method was used to evaluate the models. Among the investigated scenarios, the M5 scenario (maximum, minimum and mean temperature, maximum, minimum and mean humidity, wind speed, pan evaporation) for deep learning model with minimum error (0.517) and highest correlation coefficient (0.517). 0.996 had the best performance among the above models. The deep learning model showed more accuracy and stability than other models. Hence, this study is recommended a deep learning model for estimating reference plant evapotranspiration in Sistan plain.