مقایسه عملکرد مدل‌های خطی تعمیم‌یافته، جنگل تصادفی و درخت گرادیان بوستینگ در برآورد تبخیر‌- تعرق گیاه مرجع (مطالعه موردی: دشت سیستان)

تخمین تبخیر تعرق گیاه مرجع یکی از مهم‌ترین مولفه‌ها در مطالعات هیدرولوژی، برنامه‌ریزی آبیاری و مدیریت منابع آب است. در این پژوهش به ارزیابی مدل‌های خطی تعمیم‌یافته، جنگل تصادفی و درخت گرادیان بوستینگ در شرایط داده‌های اقلیمی منطقه سیستان پرداخته شد. داده‌های مورد استفاده شامل دمای حداکثر، دمای حداقل، دمای میانگین، رطوبت حداکثر، رطوبت حداقل، رطوبت میانگین، بارش، ساعات آفتابی، سرعت باد و تبخیر از تشت بین سال‌های 1387 تا 1396 بود. با ارائه الگوهای مختلف شامل ترکیبی از پارامترهای هواشناسی به‌عنوان ورودی‌های مدل در مقیاس زمانی روزانه، مقدار تبخیر تعرق توسط مدل‌های پیشنهادی به‌عنوان خروجی مدل برآورد شد. همچنین قابلیت پیش‌بینی این مدل‌ها، در مقایسه نتایج آنها با نتایج روش فائو‌ پنمن مانتیث به‌عنوان روش مبنا ارزیابی شد. در بین الگوهای مورد بررسی، الگوی m1 که دارای بیشترین تعداد پارامترهای هواشناسی ورودی (10 پارامتر) بود، با کمترین خطا 0.633 rmse = و 0.451 mae = و بیشترین ضریب همبستگی 0.993 r= برای مدل درخت گرادیان بوستینگ، بهترین عملکرد را در بین مدل‌ها و الگوهای بالا نشان داد. با انجام فرایند حساسیت‌سنجی پارامترها، دمای هوا به‌عنوان مهم‌ترین متغیر موثر برای الگوهای انتخابی در هر سه مدل مطالعه‌شده، به‌دست آمد. بنابراین افزایش دقت و صحت داده‌های دما، می‌تواند به افزایش دقت مدل‌های پیشنهادی کمک کند. استفاده از مدل درخت گرادیان بوستینگ توانست بیش از 70 درصد، زمان اجرای مدل را در مقایسه با سایر مدل‌های مورد مطالعه کاهش دهد. درنهایت این پژوهش، مدل درخت گرادیان بوستینگ را برای برآورد تبخیر تعرق در منطقه دشت سیستان توصیه می‌کند.

Comparing of Generalized Linear Models, Random Forest and Gradient Boosting Trees in Estimation of Reference Crop Evapotranspiration (Case Study: The Sistan Plain)

The estimation of reference crop evapotranspiration (ETo) is one the important factors in hydrological studies, irrigation planning, and water resources management. This study attempts to explore the possibility of predicting this key component using three different methods in the Sistan plain: Generalized Linear Models (GLM), Random Forest (RF) and Gradient Boosting Trees (GBT). The maximum and minimum temperature, mean temperature, maximum and minimum humidity, mean humidity, rainfall, sunshine hours, wind speed, and pan evaporation data were applied for years between 2009 to 2018. Using various networks, the ETo as output parameter was estimated for different scenarios including the combination of daily scale meteorological parameters. In order to evaluate the capabilities of different models, results were compared with the ETo calculated by FAO PenmanMonteith as the standard method. Among studied scenarios, M1 covering the maximum number of input parameters (10 parameters) showed the highest accuracy for GBT model, with the lowest RMSE (0.633) and MAE (0.451) and the maximum coefficient of regression (R = 0.993). Air temperature was found as the most sensitive parameters during sensitivity analysis of studied models. It indicated that accuracy and precision of temperature data can improve the results. Application of the GBT model could decrease the time consumed to run the model by 70%. Therefore, the GBT model is recommended for estimation of ETo in the Sistan plain.