مقایسه عملکرد روش‌های یادگیری ماشین در مدل‌سازی تبخیر-تعرق مرجع روزانه وتوزیع مکانی آن(مطالعه موردی: استان زنجان)

کشور ایران جزء مناطق خشک و نیمه‌خشک جهان است و با محدودیت شدید منابع آب مواجه است. از آنجا که بخش بسیار بزرگی از آب در دسترس به واسطه‌ی تبخیر-تعرق تلف می شود، برآورد دقیق آن حائز اهمیت می‌باشد. هدف از این تحقیق، مقایسه عملکرد روش‌های یادگیری ماشین شامل رگرسیون خطی چندگانه (mlr)، برنامه‌ریزی بیان ژن(gep) و جنگل تصادفی (rf) در مدل‌سازی تبخیر-تعرق مرجع روزانه وتوزیع مکانی آن در استان زنجان است. برای این منظور از داده‌های هواشناسی 10ساله (1388-1398) ایستگاه‌های سینوپتیک زنجان، ماه‌نشان، خدابنده و خرمدره استفاده شد. چهار پارامتر هواشناسی (میانگین دما، میانگین رطوبت نسبی، سرعت باد و تابش خالص) به‌عنوان ورودی مدل‌ها و تبخیر-تعرق فائو پنمن مانتیث به‌عنوان خروجی مدل‌ها درنظر گرفته شد. برای مقایسه عملکرد روش‌های یادگیری ماشین با یکدیگر، معیارهای ارزیابی محاسبه، نمودارهای سری زمانی، پراکنش و ویولونی رسم گردید. طبق نتایج به‌دست آمده در تمامی ایستگاه‌ها به جز ایستگاه زنجان که مدل رگرسیون خطی چندگانه عملکرد خوبی داشت، مدل جنگل تصادفی دقت بالا و خطای کمتری در برآورد تبخیر-تعرق مرجع روزانه را دارد. سایر مدل‌ها نیز با داشتن دقت نزدیک به مدلrf، عملکرد قابل قبولی دارند. بنابراین از خروجی مدل rf جهت پهنه‌بندی تبخیر-تعرق مرجع روزانه استان زنجان به روش idw در gis استفاده گردید. نتایج نشان داد که در شمال غرب استان زنجان بر مقدار تبخیر-تعرق مرجع افزوده می شود که بیشترین مقدار آن در ایستگاه ماه‌نشان(4-4.3) میلی‌متر بر روز است.

comparing the performance of machine learning methods in modeling daily reference et and its spatial distribution (case study: zanjan province)

iran is one of the world’s semi-arid and arid regions, it has serious water resource limitations. two important independent processes of the hydrological cycle are the combined processes of subsoil evaporation and transpiration from plant. it is critical to estimate evapotranspiration accurately since a significant amount of water is lost through this process. the fao penman-monteith method is among the mostly-used indirect methods to calculate evapotranspiration. in this method, the water demands of the plant are calculated using the plant coefficients after estimating the reference evapotranspiration (allen et al., 1998). researchers typically use several kinds of models for predicting evapotranspiration in an effort to select a model with the highest accuracy, lowest error, and fewest input variables. this is because the fao penman-monteith method requires a larger number of data points despite having acceptable accuracy. these models can be utilized for prediction since they do not have the problems and expenses of direct methods. this category of models involves machine learning models, that have excellent modeling potential that is not only in the area of evapotranspiration predicts but also in other areas of hydrology (malekahmadi et al., 2022). the purpose of this research is to compare the performance of machine learning methods including multiple linear regression (mlr), gene expression programming (gep) and random forest (rf) in modeling daily reference evapotranspiration and its spatial distribution in zanjan province.