ارزیابی و تحلیل عدم قطعیت برآورد تبخیر تعرق گیاه مرجع با استفاده از برنامه‌ریزی ژنتیک

کشور ایران از لحاظ شرایط اقلیمی جزﺀ مناطق خشک و نیمه‌خشک جهان محسوب می‌شود. محدودیت منابع آب و بهره‌برداری نامطلوب از آن، بخش کشاورزی را با چالش‌های عمده‌ای مواجه کرده است. استفاده بهینه آب در مزرعه، نیازمند تخمین دقیق میزان آب مصرفی گیاه می باشد. تاکنون مطالعات زیادی در خصوص ارائه روش‌های تخمین تبخیر تعرق گیاه مرجع (et0) با استفاده از سیستم‌های هوشمند صورت گرفته است. در این تحقیق ضمن بررسی کارآیی روش برنامه‌ریزی ژنتیک، مدل‌هایی جهت برآورد تبخیر تعرق با استفاده از کمترین متغیر‌های هواشناسی ارائه شده است. بدین منظور با استفاده از روش رگرسیون گام‌به‌گام، ورودی مدل‌های برنامه‌ریزی ژنتیک از بین هفت متغیر هواشناسی (دمای هوای متوسط، دمای هوای بیشینه و دمای هوای کمینه، رطوبت نسبی، سرعت باد در ارتفاع دو متری، تعداد ساعات آفتابی و تشعشع خورشیدی) انتخاب گردیدند. علاوه بر این، برای مقایسه توانایی‌های مدل‌های تجربی و مدل‌های برنامه‌ریزی ژنتیک در برآورد تبخیر تعرق مرجع، از هشت مدل تجربی متداول نیز استفاده گردید. در مطالعه صورت گرفته، از روش فائو پنمن مانتیث به‌عنوان یک روش استاندارد برای ارزیابی کارآیی مدل‌های برنامه‌ریزی ژنتیک و مدل‌های تجربی استفاده شده است. نتایج به‌دست‌آمده نشان دادند مدل‌های برنامه‌ریزی ژنتیک دارای دقت بالاتری نسبت به روش‌های تجربی هستند. درنهایت به‌منظور بهبود نتایج حاصل، با استفاده از روش میانگین‌گیری مدل بیزی (bma)، نتایج حاصل از مدل‌های برنامه‌ریزی ژنتیک، ترکیب شده و باند عدم قطعیت آن‌ها تعیین گردید.

Evaluation and Uncertainty Analysis of Reference Crop Evapotranspiration Estimation Using Genetic Programming

Iran has been considered as one of the arid and semiarid regions of the world in terms of climatic conditions. Limited water resources and inappropriate management of them has fed the agricultural sector with significant challenges. Efficient usage of water in the field, requires accurate estimation of the plant’s water consumption. So far, many studies have been conducted in order to provide new methods for estimation of the reference evapotranspiration (ET0) using intelligent systems. In this study, in addition to evaluation of the efficiency of genetic programming (GP), other models are provided for estimation of evapotranspiration, which are using the minimum amount of meteorological variables. For this purpose, by use of the stepwise regression method, input variables of GP are selected among 7 meteorological variables (i.e., average air temperature, maximum air temperature, minimum air temperature, relative humidity, wind speed at two meters’ height, sunshine hours, and solar radiation). Moreover, eight conventional empirical models are used to compare the performance of empirical models with GP models in the estimation of reference evapotranspiration. In this study, the FAO PenmanMontieth method is considered as the reference method in evaluation of the performances of GP and empirical models. The obtained results show that the GP models have higher accuracy than empirical models. Finally for improving the performance of obtained results, the Bayesian model averaged method is used to combine the results of GP models and to determine their uncertainty bands.