مطالعه مقایسه‌ای با استفاده از روش داده‌محور در مقابل رویکرد ترکیبی در جهت برآورد تبخیر-تعرق مرجع روزانه در اهواز

Abstract

پیش‌بینی تبخیر-تعرق مرجع روزانه یک ابزار تعیین‌کننده و مفید در کشاورزی پایدار و مسائل هیدرولوژیک، به‌ویژه در طراحی و مدیریت سیستم‌های منابع آب می‌باشد. استفاده از مدل‌های هیبریدی با کمک عوامل اقلیمی روشی مؤثر در فرآیند پیش‌بینی تبخیر-تعرق مرجع روزانه است. بنابراین، در این مطالعه توانایی مدل رگرسیون بردار پشتیبان (SVR) و مدل ترکیبی رگرسیون بردار پشتیبان با الگوریتم مگس میوه (SVR-FOA) در برآورد تبخیر-تعرق مرجع روزانه در ایستگاه اهواز، طی دوره 2022-2000 با استفاده از چهار معیار آماری مورد ارزیابی قرار گرفت. ورودی‌های مورد استفاده شامل پارامترهای میانگین دما، حداقل دما، حداکثر دما، متوسط رطوبت نسبی، حداقل رطوبت نسبی، حداکثر رطوبت نسبی، سرعت باد و ساعات آفتابی بود. آنالیز حساسیت پارامترهای ورودی با استفاده از ضریب همبستگی پیرسون نیز نشان داد که در میان پارامترهای ورودی، پارامتر ساعات آفتابی و رطوبت نسبی از مؤلفه‌های مؤثر بر پیش‌بینی تبخیر بودند به‌طوری‌که تاثیر مستقیمی روی مقدار تبخیر روزانه داشته و باعث کاهش خطا در تمام مدل‌ها گردیدند. نتایج به‌دست آمده نشان داد که سناریو ششم مدل SVR-FOA بهترین عملکرد را با کمترین خطا (mm/day 24/1) نسبت به تمامی مدل‌ها ارائه داد. در بین سناریوهای مدل SVR نیز سناریو سوم مدل SVR کمترین خطا را (mm/day 45/1)، نسبت به سایر ترکیبات SVR از خود نشان داد. نتایج حاصل از این پژوهش نشان داد که سناریو ششم مدل SVR-FOA بهترین عملکرد را داشته و نیز الگوریتم هیبریدی مگس میوه باعث بهبود عملکرد رگرسیون بردار پشتیبان در برآورد تبخیر-تعرق مرجع روزانه گردید.

Keywords

• پیش بینی
• بهینه سازی
• الگوریتم مگس میوه
• رگرسیون بردار پشتیبان
• اهواز