ارزیابی مدل‌های شبکه‌بیزین و ماشین‌بردارپشتیبان در برآورد تبخیروتعرق مرجع (مطالعه ‏موردی: خرم‌آباد)‏

در سراسر دنیا مدل فائوپنمن‌مانتیث به‌عنوان یک روش مرجع، برای برآورد تبخیروتعرق‌مرجع مورداستفاده قرارمی‌گیرد. در این روش ‏اطلاعات ورودی زیادی نیاز است که در خیلی از موارد دسترسی به این داده‌ها مشکل می‌باشد، لذا جایگزینی مدل‌های ساده‌تر با ورودی‏های اولیه کم و دقت مناسب ضرورت می‌یابد. ازاینرو هدف از این پژوهش بررسی دقت و قابلیت مدل‌های ماشین‌بردارپشتیبان و ‏شبکه‌بیزین در برآورد تبخیروتعرق‌مرجع و مقایسه با مدل فائوپنمن‌مانتیث می‌باشد. برای اطلاعات ورودی از اطلاعات ماهانه ایستگاه ‏سینوپتیک خرم‌آباد شامل: بیشینه و کمینه‌درجه‎‌‎حرارت، بیشینه و کمینه‏رطوبت‎‌‎نسبی، تابش‌خورشیدی و سرعت‌باد در بازه زمانی 1395-‏‏1361 (به تعداد 420 ماه) استفاده شد. بر اساس تاثیر پارامترهای ورودی بر خروجی، شش الگوی ورودی برای مدل‌سازی تعیین‌گردید. 70 ‏درصد داده‌ها جهت آموزش و 30 درصد داده‌ها جهت صحت‌سنجی مدل‌ها به‌کارگرفته‌شد. نتایج نشان داد الگوی 5 شامل: ‏حداکثردرجه‌حرارت، سرعت‌باد، تابش‌خورشیدی، حداقل‌درجه‌حرارت و حداقل‌رطوبت‌نسبی در همه مدل‌ها دقیق‌ترین الگو می‌باشد. این الگو ‏در مرحله آزمون در شبکه بیزین، دارای 0/97‏‎ r^2=‎و 93‏‎/‎‏0‏rmse=‎‏ و در ماشین‌بردارپشتیبان با هسته‌توابع‌پایه‌شعاعی، دارای 8‏‎9‎‏/0‏‎ r^2=‎و ‏‏41‏‎/‎‏0‏rmse=‎‏ بوده‌است. مقایسه عملکرد مدل‌ها نشان از برتری مدل ماشین‌بردارپشتیبان نسبت به مدل دیگر داشت به‌طوریکه دارای ‏aare‏ به میزان 0/0525 و ‏mr‏ به میزان 1/005 بود.‏

Evaluation of Bayesian Network and Support Vector Machine Models ‎in Estimation of Reference Evapotranspiration (Case Study: ‎Khorramabad)‎

Around the world, the PenmanMonteitheFAO model is used as a reference method to estimate reference ‎evapotranspiration. This method requires a lot of input data, which in many cases are difficult to access, so ‎it is necessary to replace simpler models with low inputs and good accuracy. Therefore, the purpose of this ‎study was to evaluate the accuracy and capability of Bayesian Network and Support Vector Machine ‎models in estimating reference evapotranspiration and comparing it with the PenmanMonteitheFAO ‎model. For input data, monthly data of Khoramabad synoptic station including: maximum and minimum ‎temperature, maximum and minimum relative humidity, solar radiation and wind speed in period 1990‎‎2016 (420 months) were used. Based on the effect of input parameters on output, six input patterns were ‎determined for modeling. 70% of data were used for training and 30% for model validation. The results ‎showed that pattern number 5 includes: maximum Temperature, wind speed, solar radiation, minimum ‎temperature and minimum relative humidity in has the best accuracy all models. This model in test phase, ‎has R2 = 0.97 and RMSE = 0.93 in the Bayesian network and 8.9 R2 = 0 and RMSE = 0.41 in support ‎Vector Machine with radial basis functions kernel. Comparison of the performance of the models showed ‎the superiority of the vector machine model over the other models with AARE of 0.0525 and MR of 0.005.‎