پیش بینی تبخیر با رویکرد یادگیری ماشین (مطالعه موردی: ایستگاه زابل)

پیش‌بینی دقیق میزان تبخیر یکی از چالش‌های مهم در حوزه مدیریت منابع آبی و مطالعات اقلیمی است که نقش تعیین‌کننده‌ای در برنامه‌ریزی کشاورزی و طراحی سیستم‌های آبیاری و زهکشی دارد. روش‌های سنتی که مبتنی بر فرمولهای تجربی یا مدل‌های آماری ساده هستند، به دلیل عدم توانایی در مدل‌سازی پیچیدگی‌های غیرخطی فرآیند تبخیر، دقت کمی دارند. در این مقاله، الگوریتم یادگیری ماشین catboost که قادر به مدیریت داده‌های پیچیده با دقت و کارایی بالا است، برای پیش‌بینی میزان تبخیر به کار گرفته شده است. برای این منظور، داده‌های هواشناسی ایستگاه زابل در بازه زمانی 1362 تا 1402 با استفاده از دو الگوریتم یادگیری ماشین سنتی به نامهای شبکه عصبی پرسپترون چندلایه و درخت تصمیم m5 و نیز الگوریتم جدید catboost مورد تجزیه و تحلیل قرار گرفتهاند. برای تعیین بهترین روش پیش‌بینی تبخیر، کارایی سه الگوریتم مذکور بر اساس معیارهای آماری مختلف ارزیابی و مقایسه شده است. نتایج ارزیابیهای انجام گرفته نشان میدهد که مدل پیشنهادی بر پایه catboost با کمترین خطا (979/2= mae و 110/4=rmse) بهترین عملکرد را در پیش‌بینی تبخیر دارد. بنابراین با توجه به دقت بالا و نیاز به منابع محاسباتی کمتر، catboost به عنوان ابزاری کارآمد برای تحلیل‌های هیدرولوژیکی به ویژه در پیش‌بینی تبخیر و تعرق در مناطق خشک توصیه می‌شود.

evaporation prediction with a machine learning approach (case study: zabol station)

accurate prediction of the evaporation rate is one of the significant challenges in the fields of water resources management and climate studies, playing a crucial role in agricultural planning as well as the design of irrigation and drainage systems. traditional methods based on empirical formulas or simple statistical models suffer from low accuracy due to their inability to capture the nonlinear complexities of the evaporation process. in this paper, the advanced machine learning algorithm catboost—capable of handling complex data with high accuracy and efficiency—has been used to predict the evaporation rate. for this purpose, meteorological data from zabol station during the period 1382 to 1402 were analyzed using two traditional machine learning algorithms, namely multilayer perceptron neural network (mlp) and m5 decision tree, along with the new catboost algorithm. to identify the best evaporation prediction method, the performance of these algorithms was evaluated and compared based on various statistical criteria. the results show that the proposed catboost-based model demonstrates the best performance in predicting evaporation, achieving the lowest errors (mae = 2.979 and rmse = 4.110). therefore, considering its high accuracy and lower computational requirements, catboost is recommended as an efficient tool for hydrological analysis, especially in predicting evapotranspiration in arid regions.