کاربرد مدل های ماشین بردار پشتیبان، چاید و جنگل تصادفی در برآورد تبخیر تعرق مرجع روزانه درشمال استان سیستان وبلوچستان

تبخیر-تعرق به عنوان یکی از اجزا مهم چرخه هیدرولوژیک نقش بسیار بزرگی در برنامه ریزی ومدیریت منابع آبی در مناطق خشک ونیمه خشک ایفا می کند. اندازه گیری دقیق تبخیر تعرق نیازمند ابزاری گران قیمت می باشد که امکان استفاده از آن ها در همه نقاط وجود ندارد. از این رو محققان همواره به دنبال روابط و روش های کاربردی، کم هزینه و با دقت مناسب برای برآورد صحیح مقدار این پارامتر بوده اند. روش های متعددی برای برآورد صحیح تبخیر تعرق در سراسر دنیا توسعه داده شده است. از جمله این روش ها می توان به معادلات تجربی و روش های داده محور از جمله شبکه های عصبی مصنوعی، ماشین بردار پشتیبان و مدل های درختی اشاره نمود. لذا هدف از این پژوهش بررسی دقت و قابلیت مدل های ماشین بردار پشتیبان ، درخت تصمیم نوع چاید وجنگل تصادفی در تخمین تبخیرتعرق مرجع می باشد. داده های مورد استفاده در این تحقیق شامل دمای حداکثر، دمای حداقل، دمای میانگین، رطوبت حداکثر، رطوبت حداقل، رطوبت میانگین، بارش، ساعات آفتابی، سرعت باد وتبخیراز تشت از ایستگاه هواشناسی دشت سیستان بین سالهای 2018-2009 می باشند. در این پژوهش، ابتدا با استفاده از داده های هواشناسی و مدل فائو پنمن مانتیث مقادیر تبخیر تعرق محاسبه و سپس با ارائه سناریوهای ترکیبی مختلف از پارامترهای هواشناسی به عنوان ورودی مدل های مورد مطالعه (ماشین بردار پشتیبان ، درخت تصمیم نوع چاید وجنگل تصادفی) در مقیاس زمانی روزانه سعی در برآوردی دقیق تر از تبخیر–تعرق مرجع به عنوان خروجی مدل ها شده است. در این تحقیق به منظور مقایسه مدل های مختلف ازشاخص های آماری ضریب همبستگی (r) و قدرمطلق خطا(mae) استفاده شده است. بررسی نتایج نشان دادند که از میان مدل های ماشین بردار پشتیبان، چاید وجنگل تصادفی، مدل جنگل تصادفی با الگوی m7 بیشترین دقت را با ضریب همبستگی(r=0.983) و کمترین میانگین قدرمطلق خطا(mae=0.798) دارد. بنابراین این پژوهش مدل جنگل تصادفی را برای برآورد تبخیر وتعرق در منطقه دشت سیستان توصیه می کند.

Application of Support vector machine, CHAID and Random forest models, in estimated daily Reference evapotranspiration in northern Sistan and Baluchestan province

Evapotranspiration as an important component of the hydrological cycle plays a very important role in the planning and management of water resources in dry and hyper dry areas. Accurate estimation of evapotranspiration requires a costly tool which can not be used anywhere. Hence, researchers are always looking for applied relationships and practices that are lowcost and accurate for the correct estimation of the value of this parameter. Several methods have been developed for the accurate estimation of evapotranspiration throughout the world. Among of these methods can be pointed out empirical equations, Artificial Neural Network, support vector machin, and tree models. Therefore, the purpose of this study was to investigate the accuracy and the capability of linear supporting vector machine models, the decision tree of the type of chiad and the random forest model in the estimation of reference evapotranspiration.The data used in this study include maximum temperature, minimum temperature, average temperature, maximum moisture content, minimum humidity, average humidity, precipitation, sunny hours, wind speed, and a shift from the meteorological station of Sistan Plain between20092018. In this study, using meteorological data and the FAO PenmanMonteith model, the values of evapotranspiration were calculated and then by providing different combination scenarios of the meteorological parameters as inputs of the studied models on a daily basis, an attempt was made to find a more accurate estimate of the refrence evapotranspiration as the output of the models. In this research, correlation coefficient (R) and Mean Absolute amount of Error (MAE) were used to compare different model. The results showed among the support model carriers, the random knife, the random forest model with M7 patterns has the highest accuracy with the correlation coefficient (R = 0.983) and the lowest mean error magnitude (MAE = 0.798). Therefore, this research recommends a random forest model for estimating evapotranspiration in the area of Sistan plain.