حامد طالبی - دانشجوی دکتری/ گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران
سعید صمدیان فرد - دانشیار/ گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران
خلیل ولیزاده کامران - استاد/ گروه سنجش از دور، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران

مدیریت آب کشاورزی و برنامه ریزی آبیاری به برآورد دقیق تبخیر و تعرق مرجع (ET۰) وابسته هستند. با استفاده از تصاویر ماهواره ای می توان در مناطق فاقد ایستگاه هواشناسی، کمبود اطلاعات آب و هوایی را جبران کرد. بنابراین، در این مطالعه، الگوریتم های جنگل تصادفی (RF) و پرسپترون چندلایه (MLP) برای برآورد تبخیر و تعرق مرجع ماهانه در ایستگاه های اهواز (اقلیم خشک) و تبریز (اقلیم نیمه خشک) با استفاده از پارامترهای استخراج شده از تصاویر ماهواره لندست ۸ و سنجنده مادیس اجرا شده است. لازم به ذکر است که پایگاه داده بر اساس داده های تصاویر ماهواره ای جمع آوری شده از سال ۱۳۹۲ تا ۱۴۰۰ ایجاد شد. هم چنین برای توسعه مدل های مذکور، از داده های سال های ۱۳۹۲-۱۳۹۸ (۷۵ درصد) برای آموزش مدل و داده های باقی مانده (۲۵ درصد) برای آزمایش مدل استفاده شد. علاوه بر این، متغیر های ورودی، شامل دمای سطح زمین لندست (LSTLand)، دمای سطح زمین مادیس (LSTMOD)، شاخص نرمال شده تفاوت پوشش گیاهی ماهواره لندست (NDVILand) و شاخص نرمال شدی تفاوت پوشش گیاهی سنجنده مادیس (NDVIMOD) برای تخمین ET۰ ماهانه استفاده شد. هم چنین، سه شاخص عملکرد ضریب تعیین (R۲)، ریشه میانگین مربعات خطا (RMSE) و ضریب نش-ساتکلیف (NS) به منظور تعیین توانایی مدل های اجرا شده مورد استفاده قرار گرفت. نتایج نشان داد که دقت برآورد تبخیر و تعرق مرجع ماهانه در ایستگاه اهواز و تبریز با سناریوی ۴ شامل پارامترهای ورودی LSTMOD و NDVIMOD بهتر از سایر سناریوهای مورد بررسی است. هم چنین برآورد تبخیر و تعرق مرجع ماهانه در ایستگاه اهواز و تبریز به ترتیب با مدل (R۲=۰/۹۸۳، RMSE=۰/۲۷۹ و ۰/۹۶۲=NS) RF-۴ و (R۲ R۲=۰/۹۸۸، RMSE=۰/۲۹۹ و ۰/۹۳۵=NS) MLP-۴ بهترین عملکرد را داشته است. در نهایت چنین نتیجه گیری شد که کاربرد داده های حاصل از تصاویر سنجنده مادیس نسبت به ماهواره لندست ۸ در برآورد تبخیر و تعرق مرجع ماهانه دقیق تر است.

پرسپترون چندلایه, جنگل تصادفی, دمای سطح زمین, لندست, مادیس