ارزیابی تکنیک سنجش از دور و مدل های یادگیری ماشین در برآورد تبخیروتعرق گیاه نیشکر

Abstract

تخمین تبخیروتعرق گیاه در مناطق خشک و نیمه­خشک چالش برانگیز است زیرا این فرایند در طول زمان و مکان بسیار پویا است. هم‌چنین اندازه­گیری این متغیر به‌صورت میدانی کاری بسیار وقت­گیر و هزینه­بر است. لذا این پژوهش با هدف ایجاد چارچوبی برای برآورد بهینه تبخیروتعرق گیاه نیشکر در مقیاس مکانی- زمانی با استفاده از چهار مدل یادگیری ماشین (MLR، CART، SVR و GBRT) در ترکیب با داده­های سنجش از دور و متغیر­های هواشناسی صورت گرفت. هم‌چنین به‌منظور کاهش وابستگی به پارامترهای متعدد هواشناسی در روش­های مرسوم برآورد تبخیروتعرق، هشت مدل مختلف تجربی مبتنی بر دما و چهار مدل اصلاحی هارگریوز سامانی نسبت به مدل استاندارد فائو- پنمن- مانتیث ارزیابی شد. بدین منظور داده­های هواشناسی از ایستگاه هواشناسی کشت و صنعت نیشکر حکیم فارابی در دوره زمانی سه ساله (1400-1397) گردآوری شدند. نُه ترکیب مختلف از متغیرهای ورودی (داده­های سنجش از دور و متغیر­های هواشناسی) براساس روش Information Gain Ratio طراحی شدند و سپس توسط الگوریتم­های یادگیری ماشین ارزیابی شدند. نتایج نشان داد که بیش‌ترین دقت مدل‌های یادگیری ماشین براساس آماره‌هایR2 ، RMSE و MAE به‌ترتیب در مدل‌های CART (99/0، 41/0 و 18/0) و GBRT (99/0، 65/0 و 26/0) به‌دست آمد. هم‌چنین از بین روش­های تجربی مبتنی بر دما، روش ایوانف با R2 برابر 91/0 و روش بایر رابرتسون با R2 برابر 78/0 به‌ترتیب بهترین و ضعیف­ترین عملکرد را ثبت کردند. به‌طورکلی روش سنجش از دور در ترکیب با مدل­های یادگیری ماشین توانست مقادیر بهتر و دقیق­تری از تبخیروتعرق گیاه را در مقیاس زمان و مکان ارائه نماید.

Keywords

• درخت تصمیم
• رگرسیون بردار پشتیبان
• شاخص‌های طیفی
• مدل درخت گرادیان بوستینگ
• مدل‌های تجربی