ارزیابی تکنیک سنجش از دور و مدل های یادگیری ماشین در برآورد تبخیروتعرق گیاه نیشکر
عنوان مقاله: ارزیابی تکنیک سنجش از دور و مدل های یادگیری ماشین در برآورد تبخیروتعرق گیاه نیشکر
شناسه ملی مقاله: JR_JWIM-13-4_007
منتشر شده در در سال 1402
شناسه ملی مقاله: JR_JWIM-13-4_007
منتشر شده در در سال 1402
مشخصات نویسندگان مقاله:
محمد علوی - گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران.
محمد الباجی - گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران.
منا گلابی - گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران.
عبدعلی ناصری - گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران.
سعید همایونی - گروه سنجش از دور محیطی و ژئوماتیک، مرکز آب، زمین و محیط زیست، INRS -کبک، کانادا.
خلاصه مقاله:
محمد علوی - گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران.
محمد الباجی - گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران.
منا گلابی - گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران.
عبدعلی ناصری - گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران.
سعید همایونی - گروه سنجش از دور محیطی و ژئوماتیک، مرکز آب، زمین و محیط زیست، INRS -کبک، کانادا.
تخمین تبخیروتعرق گیاه در مناطق خشک و نیمهخشک چالش برانگیز است زیرا این فرایند در طول زمان و مکان بسیار پویا است. هم چنین اندازهگیری این متغیر به صورت 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. هم چنین به منظور 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 (۱۴۰۰-۱۳۹۷) گردآوری شدند. نه 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 بیش ترین دقت مدل های یادگیری ماشین براساس آماره هایR۲ ، RMSE و MAE به ترتیب در مدل های CART (۹۹/۰، ۴۱/۰ و ۱۸/۰) و GBRT (۹۹/۰، ۶۵/۰ و ۲۶/۰) به دست آمد. هم چنین از بین روشهای تجربی مبتنی بر دما، روش ایوانف با R۲ برابر ۹۱/۰ و روش بایر رابرتسون با R۲ برابر ۷۸/۰ به ترتیب بهترین و ضعیفترین عملکرد را ثبت کردند. به طورکلی 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.
کلمات کلیدی: درخت تصمیم, رگرسیون بردار پشتیبان, شاخص های طیفی, مدل درخت گرادیان بوستینگ, مدل های تجربی
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1897811/