مطالعه مقایسه‌ای با استفاده از روش داده‌محور در مقابل رویکرد ترکیبی در جهت برآورد تبخیر-تعرق مرجع روزانه در اهواز

پیش‌بینی تبخیر-تعرق مرجع روزانه یک ابزار تعیین‌کننده و مفید در کشاورزی پایدار و مسائل هیدرولوژیک، به‌ویژه در طراحی و مدیریت سیستم‌های منابع آب می‌باشد. استفاده از مدل‌های هیبریدی با کمک عوامل اقلیمی روشی موثر در فرآیند پیش‌بینی تبخیر-تعرق مرجع روزانه است. بنابراین، در این مطالعه توانایی مدل رگرسیون بردار پشتیبان (svr) و مدل ترکیبی رگرسیون بردار پشتیبان با الگوریتم مگس میوه (svr-foa) در برآورد تبخیر-تعرق مرجع روزانه در ایستگاه اهواز، طی دوره 2022-2000 با استفاده از چهار معیار آماری مورد ارزیابی قرار گرفت. ورودی‌های مورد استفاده شامل پارامترهای میانگین دما، حداقل دما، حداکثر دما، متوسط رطوبت نسبی، حداقل رطوبت نسبی، حداکثر رطوبت نسبی، سرعت باد و ساعات آفتابی بود. آنالیز حساسیت پارامترهای ورودی با استفاده از ضریب همبستگی پیرسون نیز نشان داد که در میان پارامترهای ورودی، پارامتر ساعات آفتابی و رطوبت نسبی از مولفه‌های موثر بر پیش‌بینی تبخیر بودند به‌طوری‌که تاثیر مستقیمی روی مقدار تبخیر روزانه داشته و باعث کاهش خطا در تمام مدل‌ها گردیدند. نتایج به‌دست آمده نشان داد که سناریو ششم مدل svr-foa بهترین عملکرد را با کمترین خطا (mm/day 1.24) نسبت به تمامی مدل‌ها ارائه داد. در بین سناریوهای مدل svr نیز سناریو سوم مدل svr کمترین خطا را (mm/day 1.45)، نسبت به سایر ترکیبات svr از خود نشان داد. نتایج حاصل از این پژوهش نشان داد که سناریو ششم مدل svr-foa بهترین عملکرد را داشته و نیز الگوریتم هیبریدی مگس میوه باعث بهبود عملکرد رگرسیون بردار پشتیبان در برآورد تبخیر-تعرق مرجع روزانه گردید.

a comparative study using a data-driven method versus a hybrid approach to estimate daily reference evapotranspiration in ahvaz

daily reference evapotranspiration prediction is a decisive and useful tool in sustainable agriculture and hydrological issues, especially in the design and management of water resources systems. the use of hybrid models with the help of climatic factors is an effective method in the daily reference evapotranspiration forecasting process. therefore, in this study, the ability of the support vector regression model (svr) and the combined model of support vector regression with the fruit fly algorithm (svr-foa) in estimating daily reference evapotranspiration in ahvaz station during the period of 2000-2022 using four statistical criteria was evaluated. the inputs used included parameters of average temperature, minimum temperature, maximum temperature, average relative humidity, minimum relative humidity, maximum relative humidity, wind speed, and sunshine hours. the sensitivity analysis of the input parameters using pearson’s correlation coefficient also showed that among the input parameters, the parameters of sunshine hours and relative humidity were effective components in the prediction of evapotranspiration, thus reducing the error in all models. the obtained results showed that the sixth scenario of the svr-foa model provided the best performance with the lowest error (1.24 mm/day) compared to all models. among the scenarios of the svr model, the third scenario of the svr model showed the lowest error (1.45 mm/day) compared to other svr combinations. the results of this research showed that the sixth scenario of the svr-foa model had the best performance, and the fruit fly hybrid algorithm improved the performance of the support vector regression in estimating daily reference evapotranspiration.