سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات161
تعداد شماره‌ها6,573
تعداد مقالات71,037
تعداد مشاهده مقاله125,517,970
تعداد دریافت فایل اصل مقاله98,777,855
عزیزی مبصر, جوانشیر, رسول‌زاده, علی, اکبری مجد, امین. (1403). ارزیابی یادگیری ماشین و سنجش از دور در تخمین تبخیر و تعرق مرجع. , (), -. doi: 10.22059/jwim.2025.383457.1182
جوانشیر عزیزی مبصر; علی رسول‌زاده; امین اکبری مجد. "ارزیابی یادگیری ماشین و سنجش از دور در تخمین تبخیر و تعرق مرجع". , , , 1403, -. doi: 10.22059/jwim.2025.383457.1182
عزیزی مبصر, جوانشیر, رسول‌زاده, علی, اکبری مجد, امین. (1403). 'ارزیابی یادگیری ماشین و سنجش از دور در تخمین تبخیر و تعرق مرجع', , (), pp. -. doi: 10.22059/jwim.2025.383457.1182
عزیزی مبصر, جوانشیر, رسول‌زاده, علی, اکبری مجد, امین. ارزیابی یادگیری ماشین و سنجش از دور در تخمین تبخیر و تعرق مرجع. , 1403; (): -. doi: 10.22059/jwim.2025.383457.1182

ارزیابی یادگیری ماشین و سنجش از دور در تخمین تبخیر و تعرق مرجع

مدیریت آب و آبیاری
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 26 دی 1403
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/jwim.2025.383457.1182
نویسندگان
جوانشیر عزیزی مبصر* 1؛ علی رسول‌زاده2؛ امین اکبری مجد3
1گروه مهندسی آب دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران.
2'گروه مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران.
3گروه مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران.
چکیده
تبخیر و تعرق مرجع (ETo) یکی از اساسی‌ترین متغیرها در تعیین نیاز آبی محصول و برنامه‌ریزی و طراحی سامانه‌های آبیاری است. مدل‌های یادگیری ماشین برای رفع محدودیت‌های مدل‌های تجربی و برآورد تبخیر تعرق (ET) توسعه داده‌ شده‌اند. در سال‌های اخیر، محاسبه ET با استفاده از فناوری‌های سنجش از دور توسعه و بهبود یافته است. در این مطالعه برای تخمین تبخیر و تعرق مرجع در دشت اردبیل کارایی سه مدل جنگل تصادفی(RF)، رگرسیون خطی چندگانه (MLR) و ماشین بردار پشتیبان (SVM) بررسی شد. اطلاعات هواشناسی برای داده‌های مدل از سال 1385 تا 1401 از طریق سنجش از دور و ایستگاه‌های سینوپتیک دریافت شد. ETo به عنوان پارامتر هدف، با استفاده از روش فائو پنمن مانتیث در محدوده پنج ایستگاه سینوپتیک محاسبه شد. در مرحله ساخت و آموزش مدل‌ها، سری‌زمانی پارامترهای ورودی و هدف در محل چهار ایستگاه سینوپتیک و با تشکیل یک سری زمانی تصادفی و ترکیبی از کل داده‌ها انجام و در مرحله ارزیابی نهایی مدل، تنها از داده‌های ایستگاه پنجم استفاده شد. آماره‌های ارزیابی مورد استفاده ، R^2، NSE و RMSE بودند. نتایج حاصل برای شاخص‌های آماری، برای مدل RF به ترتیب برابر با 7/0، 558/0 و 76/10، برای SVM برابر 71/0، 1- و 6/13 و برای MLR 71/0، 688/0- و 21 بود که با مقایسه نتایج، مدل RF نسبت به سایر مدل‌ها از دقت بالاتری برخوردار بود. مطالعه حاضر نشان داد که مدل‌ جنگل تصادفی می‌تواند یک مدل مطمئن و نسبتا دقیق برای پیش‌بینی ETo با استفاده از داده‌های RS برای مناطق فاقد آمار باشد.
کلیدواژه‌ها
RF؛ MLR؛ SVM؛ تبخیر و تعرق مرجع
عنوان مقاله [English]
Evaluation of machine learning and remote sensing in estimating reference evapotranspiration
نویسندگان [English]
javanshir azizi mobaser1؛ ali rasoulzadeh2؛ amin akbari majd3
1Department of Water Engineering, Faculty of Agriculture and Natural Resources, Water Management Research Center, University of Mohaghegh Ardabili, Ardabil, Iran.
2Department of Water Engineering, Faculty of Agriculture and Natural Resources, Water Management Research Center, University of Mohaghegh Ardabili, Ardabil, Iran.
3Department of Water Engineering, Faculty of Agriculture and Natural Resources, Water Management Research Center, University of Mohaghegh Ardabili, Ardabil , Iran.
چکیده [English]
Evapotranspiration (ETo) is crucial for irrigation planning, crop performance simulation, hydrological water balance, crop water requirements determination, and irrigation system design. Soft computing models, such as neural networks and fuzzy logic systems, have been designed to overcome empirical models' shortcomings and accurately estimate ET. The advancement of remote sensing techniques in recent years has significantly enhanced the application of ET in agricultural and hydrological fields due to soft computing's ability to function effectively with less data and adapt to various climate conditions. We assessed the effectiveness of RF, MLR, and SVM models in estimating ETo in the Ardabil Plain area. meteorological stations' data in the study area were combined and formed into a random time series for constructing the model using RS and ETo. For the final model evaluation, the data from the fifth station were exclusively employed. The evaluation metrics employed included RMSE, R2, and NSE. The results for R2, NSE, and RMSE for the RF model were 0.7, 0.558, and 10.76, respectively for SVM, 0.71, 1, and 13.6, and for MLR 0.71, 0.688, and it was 21, which compares the results of the RF model with higher accuracy than other models. The random forest model's reliability for predicting ETo using RS datasets in data-poor areas is demonstrated by its high accuracy and stability in the present study.
کلیدواژه‌ها [English]
RF, MLR, SVM, Potential Evapotranspiration
آمار
تعداد مشاهده مقاله: 56





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب