ارزیابی مدل جنگل تصادفی برای محاسبه تبخیر و تعرق مرجع با استفاده از داده‌های هواشناسی محدود در منطقه مطالعاتی دشت اردبیل

به دلیل افزایش فشار جهانی بر در دسترس بودن منابع آب، توجه به تلفات آب بیش‌تر از قبل مشخص می‌گردد، تبخیر و تعرق (et) به عنوان بخش مهمی از تلفات بوده و تخمین آن برای بررسی تغییرات آب و هوا، جلوگیری از آبیاری ناکارآمد و استفاده مناسب از منابع آب، حیاتی است. علی‌رغم مدل‌های تجربی فراوان برای پیش‌بینی et، هنوز هیچ اجماع جهانی در مورد استفاده از یک مدل تجربی مشخص وجود ندارد. مدل‌های محاسبات نرم به دلیل نیاز به داده‌های کم‌تر، برای جلوگیری از محدودیت‌ مدل‌های تجربی و برای برآورد دقیق‌تر et توسعه داده‌ شده‌اند. در این تحقیق برای تخمین تبخیر و تعرق مرجع با داده‌های هواشناسی در حدفاصل سال‌های 1385 تا 1401 و در دشت اردبیل کارایی دو مدل جنگل تصادفی (rf) و رگرسیون خطی چندگانه (mlr) ارزیابی شد. برای ساخت مدل، از ترکیبب داده‌های 4 ایستگاه هواشناسی استفاده و از ایستگاه پنجم برای ارزیابی نهایی مدل‌ها استفاده شد. آماره‌های ارزیابی شامل r2، nse و rmse بود. نتایج به‌دست آمده برای مدل rf به ترتیب برابر بود با 74/0، 743/0 و 20/8 میلی‌متر که در مقایسه با نتایج مدل mlr از دقت بالاتری برخوردار بود. مطالعه حاضر نشان داد که مدل‌های جنگل تصادفی می‌تواند یک مدل مطمئن با در نظر گرفتن دقت و ثبات، برای پیش‌بینی eto و با استفاده از مجموعه داده‌های محدود باشد. به طور کلی، با استفاده از نتایج این تحقیق می‌توان گفت که مدل‌های rf، تبخیر و تعرق مرجع را در مناطقی با داده‌های محدود با دقت قابل قبولی شبیه‌سازی می‌کند.

evaluation of random forest model to calculate potential evapotranspiration using limited meteorological data (study area: ardabil plain)

as the global demand for water resources increases, the reduction in water loss, including evapotranspiration, becomes more obvious. although many models have been developed to predict evapotranspiration, no universally accepted model for all climate regions has been established. several soft computational models have been created to circumvent the constraints of empirical models and accurately predict et. soft computing models typically require less data and are applicable across various climatic zones. this study aimed to analyze how well two random forest models and multiple linear regression could predict eto in the ardabil plain region. meteorological data from the iranian meteorological organization were used to calculate the reference evapotranspiration from 2014 to 2016. in constructing the model, data from 4 meteorological stations were combined to generate a random time series, while the fifth station was reserved for evaluating the models. the assessment metrics used comprised rmse, r2, and nse. the rf model achieved higher accuracy with r2, nse, and rmse values of 0.74, 0.743, and 8.20 mm, respectively, compared to the mlr model. the results demonstrate that random forest models are reliable tools for forecasting eto with minimal climate data. in general, using the results of this study and other similar research, we conclude that rf and mlr models simulate potential evapotranspiration with acceptable accuracy but are sensitive to the number of input parameters.