تحلیل مقایسه‌ای روش‌های داده‌کاوی مبتنی بر هسته و درخت در مقابل روش‌های تجربی در تخمین تبخیر-تعرق مرجع ماهانه

هزینه‌بر و زمان‌بر بودن اندازه‌گیری مستقیم تبخیر-تعرق باعث شده تا پژوهشگران جهت پیش بینی تبخیر-تعرق به استفاده از روشهای غیرمستقیم روی‌آورند. هدف پژوهش حاضر بررسی توانایی روش‌های داده‌مبنای مبتنی بر هسته، مبتنی بر درخت، روش دسته‌بندی و روش‌های تجربی در برآورد میزان تبخیر-تعرق مرجع می‌باشد. بدین منظور، داده‌های مربوط به پارامترهای هواشناسی از جمله دمای میانگین، تعداد ساعات آفتابی، حداکثر و حداقل دما، سرعت باد، بارش و رطوبت نسبی در بازه زمانی 39 ساله گردآوری شد. ماتریس همبستگی، الگوریتم رلیف و دانش و تجربه نویسندگان همراه با سعی و خطا مبنای انتخاب سناریوهای ورودی بودند. عملکرد روش‌های مذکور با معیارهای ضریب همبستگی (r)، ریشه میانگین مربعات خطا (rmse)، شاخص پراکندگی (si)، نش ساتکلیف (ns) و ویلموت (wi) مورد ارزیابی قرار گرفت. بررسی نتایج نشان داد از بین کلیه سناریوها، سناریو 13 شامل ترکیب دمای بیشینه و شاخص زمانی ماهانه مبتنی بر الگوریتم رلیف به‌عنوان سناریو برتر و از سوئی دیگر مدل درخت تصادفی با r=0.99، rmse=0.04 mm/day و si=0.01 به‌عنوان روش برتر انتخاب شد. بدین ترتیب حداکثر دما به‌عنوان مهمترین پارامتر هواشناسی تاثیرگذار در مدل‌سازی تبخیر-تعرق مرجع شناسایی گردید.

comparative analysis of estimating monthly reference evapotranspiration using kernel and tree-based data mining models versus empirical methods

because direct measurement of evapotranspiration is costly and time-consuming, researchers have turned to the estimation of evapotranspiration via indirect approaches. the aim of this study is to investigate the capability of kernel-based, tree-based, bagging-based data-driven, and empirical models to estimate reference evapotranspiration. for this purpose, data related to meteorological parameters such as average temperature, hours of sunshine, maximum and minimum temperature, wind speed, precipitation, and relative humidity were collected over a period of 39 years. a correlation matrix, relief algorithm, and trial and error based on the author’s own experience were used to select input scenarios. the performance of these methods was evaluated using correlation coefficient (r2), root mean square error (rmse), scattering index (si), nash sutcliffe (ns), and wilmot indexes (wi). based on the results, scenario 13 includes maximum temperature and monthly time index based on the relief algorithm was selected as the best scenario, also on the other hand the random tree model with r=0.99, rmse=0.04 mm/day, and si=0.01 was selected as the superior method. thus, the maximum temperature was defined as the efficient meteorological parameter for the reference evapotranspiration modeling.