تخمین تبخیروتعرق مرجع روزانه به کمک مدل یادگیری عمیق، جنگل تصادفی و درخت تصمیم (مطالعه موردی: دشت سیستان)

نویسندگان

چکیده

در شرایط کمبود آب، مدیریت منابع آبی و استفاده کارآمد از آب موجود برای تولید پایدار محصولات مورد نیاز در نواحی خشک و نیمه خشک امری ضروریست. در این بین، تبخیرتعرق نقش بسیار مهمی دارد که یکی از اجزای اصلی چرخه هیدرولوژیکی بوده و تخمین درستی از آن در موفقیت پروژه‌های آبی و تولید پایدار تاثیر بسزایی خواهد داشت. تعیین دقیق نیاز آبی گیاهان زراعی و باغی راندمان آبیاری را افزایش و در نتیجه مدیریت آب در مزرعه را بهبود خواهد داد. برای برآورد دقیقی از نیاز آبی گیاه، لازم است تا تبخیرتعرق گیاه مرجع، بدرستی محاسبه گردد. در طی چند سال، استفاده از ابزارها و مدل‌های یادگیری و روش‌های نوین هوشمند، برای برآورد تبخیرتعرق گیاه مرجع، به طور گسترده‌ رو به رشد بوده است. بنابراین، لازم است تا درستی این مدل‌ها و روش‌ها برای مناطق مختلف بررسی شود. منطقه سیستان یکی از مناطق حاصلخیز کشور است که متاسفانه سالیان متمادی است، پدیده خشکسالی، کشاورزی پررونق در این منطقه را بی‌رمق کرده است. لذا، هرگونه بی‌توجهی به مقوله آب در این منطقه می‌تواند خسارت سنگینی برای آن محسوب شود. در این تحقیـق، پارامترهای اقلیمی موثر در محاسبه تبخیرتعرق مرجـع روزانـه در دشت سیستان شناسـایی و توسط سناریوهای مختلف (از M? تا M??) از ترکیب پارامترهای هواشناسی (از ایستگاه‌های مختلف هواشناسی شهرستان زابل بین سال‌های ????-???? تامین شد) بـه عنوان ورودی مـدل‌های درخت تصمیم، جنگل تصادفی و یادگیری عمیق، بررسی گردید و بهترین الگو توسط مدل استخراج شد. سپس میزان دقت حاصل از نتایج این مدل‌ها، با روش تجربی پنمن مانتیث فائو، به عنوان روش مبنا مقایسه گردید. این نتایج نشان دادند که سناریوی M?? با بیشترین ضریب همبستگی(???/?R=) و کمترین خطا (???/?RMSE=) به عنوان بهترین الگو در مدل درخت تصمیم می‌باشد. در مدل جنگل تصادفی، باز هم برترین سناریو الگوی M?? با ???/?RMSE= ، ?/?MAE= و ???/? R=به عنوان الگوی برتر شناخته شد و همچنین در مدل یادگیری عمیق الگوی M? با ???/?RMSE= ، ???/? MAE=و ???/?RMSE= به عنوان بهترین الگوی در مدل یادگیری عمیق در منطقه مورد مطالعه برگزیده شد. به منظور بررسی اهمیت پارامترهای مختلف هواشناسی در نتایج مدل‌های مذکور، از بین تمامی ‌پارامترهای مدل درخت تصمیم، بترتیب دمای میانگین، تندی باد، دمای بیشینه و دمای حداقل و در مدل جنگل تصادفی پارامترهای موثر به ترتیب دمای حداکثر، تندی باد، دمای میانگین و تبخیر از تشت و در مدل یادگیری عمیق، به ترتیب دمای میانگین، دمای بیشینه، تندی باد و رطوبت حداقل بیشترین تاثیر و اهمیت را در مقدار تبخیرتعرق روزانه دارند. به عنوان نتیجه‌گیری کلی می‌توان گفت که مدل یادگیری عمیق به عنوان بهترین مدل در بین مدل‌های انتخابی می‌باشد و همچنین سناریوی M? در مدل یادگیری عمیق از دقت بالاتری (???/?R= و ???/?RMSE=) برای مدل‌سازی تبخیرتعرق پتانسیل مرجع برخوردار است.

کلیدواژه‌ها


عنوان مقاله [English]

Estimation of daily reference evapotranspiration using models of deep learning, random forest and decision tree (Case study: Sistan Plain)

نویسندگان [English]

  • Ali Dindarlou
  • Hadi Siasar
چکیده [English]

Introduction:
In water scarcity conditionals, water resources management and accurate use of available water for sustainable production of required products in arid and semi-arid areas are essential. To achieve this management, the evapotranspiration plays a very important role that is one of the main components of the hydrological cycle and successes of water projects and sustainable production depends on the correct estimation of that. Determination of the water requirement of crops and gardens will increase the irrigation efficiency and improve water management in the field. In order to estimate the evapotranspiration, it is necessary to accurately calculate reference evapotranspiration. So far, many experimental methods have been proposed to estimate the reference evapotranspiration. The penman montieth fao method is one of the most precise methods to determine of that and limitations of using that is calibrating for areas that will be used.Over the last few years, the uses of learning tools and innovative methods have been widely used to estimate the reference evapotranspiration. Therefore, it is necessary to check the correctness of these models and methods for different regions.

Methods:
Sistan is one of the fertile regions of Iran, which, unfortunately, over the years, the phenomenon of drought has been swept away the active farming in the area and destroyed a boom in agricultural production in this region. Nevertheless, the main occupation of rural people in this region is still agriculture. Any neglect on the water category in this area, can be a serious damage to it. Winds for more than ??? days are main climate feature of this region that has extremely been increase the evaporation. Therefore, it is necessary to extract the highest efficiency from the limited water in the area. So, in this research, the effective climatic parameters to calculate of daily reference evapotranspiration in Sistan plain were identified and analyzed using different scenarios of the combination of meteorological parameters. These scenarios were used as inputs models of decision trees, random forest and deep learning. The best scenario was extracted by results of models. Then, the accuracy of the results was compared with the experimental method of penman montieth fao as the basis method. Scenarios were M? - M??. Used data in these scenarios were max, min and average of two temperature and humidity parameters, rainfall, sunshine, wind speed and pan evaporation. The data were provided from the Zabul meteorological stations for ????-????. ??% of the data have been use for training and the remaining ??% for testing the models.


Results:

Results of these models were compared with the estimated results by the penman montieth fao model and shown, in decision tree model, M?? scenario with the lowest error rate ( RMSE=?.??? ) and the highest correlation coefficient ( R=?.??? ) was the best scenario. In random forest model, M?? scenario with the lowest error rate ( RMSE=?.??? ), MAE=?.? and the highest correlation coefficient ( R=?.??? ) was the best scenario. In deep learning model, M? scenario with the lowest error rate ( RMSE=?.??? ), MAE=?.??? and the highest correlation coefficient ( R=?.??? ) was the best scenario. In results of the supporting machine model and selecting the best model, by evaluating the comparison of decision tree and deep learning models, it was shown that a specific pattern can be introduced for Sistan region with proper accuracy for estimating daily reference evapotranspiration and should introduce a superior scenario for each model. In order to deliberation the importance of various meteorological parameters in the results of the mention models, among all the parameters have used in decision tree model, average temperature, wind speed, maximum temperature and minimum temperature, respectively, had the most importance. In random forest model, maximum temperature, wind speed, average temperature and pan evaporation, respectively, had the most importance. Finally in deep learning model, average temperature, maximum temperature, wind speed and minimum humidity, respectively, had the most effect on calculation of daily reference evapotranspiration in case study region. As a general conclusion can say, deep learning model is the best model among selected models and M? scenario in deep learning with the highest correlation coefficient ( R = ?.??? ) and the lowest error ( RMSE=?.??? ), had a good accuracy to modeling of daily reference evapotranspiration.

کلیدواژه‌ها [English]

  • Evapotranspiration
  • Deep Learning
  • flat decision and random forest models
  • Penman-Monteith FAO model
  • Sistan
  • Senario