بهره‌گیری از روش‌های یادگیری ماشین: تخمین تبخیر و تعرق روزانه گیاه مرجع با استفاده از شبکه‌های عصبی در استان خراسان رضوی

نوع مقاله : فنی و ترویجی

نویسنده

• زهرا شیرمحمدی علی اکبرخانی

گروه علوم و مهندسی آب، مجتمع آموزش عالی تربت‌جام، تربت‌جام، ایران

https://doi.org/10.22067/jwsd.v12i2.2501-1402

چکیده

تبخیر و تعرق یکی از مهمترین مؤلفه‌های بیلان آب و انرژی است که تخمین دقیق آن برای مدیریت منابع آب، برنامه‌ریزی آبیاری و مطالعات محیط‏زیستی ضروری است. در سال‌های اخیر، استفاده از تکنیک‌های یادگیری ماشین (ML) راهکار امیدوارکننده‌ای برای بهبود دقت پیش‌بینی تبخیر و تعرق ارائه کرده است. در این مطالعه، دو مدل شبکه عصبی مصنوعی، شامل پرسپترون چند لایه (MLP) و شبکه با پایه شعاعی (RBF)، برای تخمین تبخیر و تعرق گیاه مرجع در ایستگاه‌های مشهد، سبزوار و تربت جام در استان خراسان رضوی به‌کار گرفته شدند. داده‌های هواشناسی شامل دما، رطوبت نسبی، سرعت باد و ساعات آفتابی از سال 1371 تا 1402 جمع‌آوری و پس از نرمال‌سازی برای آموزش مدل‌ها استفاده شدند. مقادیر تبخیر و تعرق محاسبه ‌شده با روش فائو-پنمن-مانتیث به‌عنوان داده‌های هدف جهت ارزیابی مدل‌ها در نظر گرفته شد. نتایج نشان داد این مدل‌ها، به‌ویژه MLP، عملکرد مطلوبی در تخمین تبخیر و تعرق داشته و دقت بالاتری نسبت به روش‌های لیناکر و هارگریوز-سامانی ارائه کردند. همچنین، حذف سرعت باد در ایستگاه‌های تربت جام و مشهد موجب کاهش 5/1 درصدی و در ایستگاه سبزوار باعث کاهش 11/3 درصدی ضریب تعیین (R²) شد، درحالی‌که حذف ساعات آفتابی تأثیر ناچیزی بر دقت مدل داشت. این یافته‌ها بر پتانسیل بالای شبکه‌های عصبی مصنوعی در برآورد تبخیر و تعرق در شرایط کمبود داده تأکید داشته و می‌توانند به مدیریت بهینه منابع آب کشاورزی در منطقه مورد مطالعه کمک کنند.

کلیدواژه‌ها

• تبخیر و تعرق
• یادگیری ماشین
• شبکه‌های عصبی
• مدل‌سازی
• مدیریت آب

موضوعات

• آبیاری و کشاورزی