پیشبینی تبخیر-تعرق روزانه برنج در مقیاس مزرعه با استفاده از رویکرد یادگیری ماشین | ||
| تحقیقات آب و خاک ایران | ||
| دوره 53، شماره 12، اسفند 1401، صفحه 2793-2807 اصل مقاله (1.68 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2022.350978.669391 | ||
| نویسندگان | ||
| هما نوغان کار1؛ محمود رائینی1؛ محمد علی غلامی سفیدکوهی* 1؛ مجید مبینی2 | ||
| 1گروه مهندسی آب، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران | ||
| 2دانشکده مهندسی برق، موسسه آموزش عالی صنعتی مازندران، بابل، ایران | ||
| چکیده | ||
| پیشبینی کوتاهمدت تبخیر-تعرق روزانه گیاه در کشاورزی دقیق و مدیریت آبیاری اهمیت فراوانی دارد. در این مقاله، روشی برای پیشبینی کوتاه مدت نقشههای تبخیر-تعرق روزانه گیاه برنج با استفاده از تصاویر ماهوارهای و الگوریتمهای یادگیری ماشین ارائه شده است. پس از تلفیق باندهای تصاویر لندست 8 و مودیس با استفاده از روش STARFM، تصاویر تبخیر-تعرق روزانه به کمک الگوریتم METRIC تولید و برای پیشبینی نقشههای تبخیر-تعرق روزهای بعدی به عنوان ورودی به ماشین بردار ارتباط (RVM) و حافظه کوتاه-مدت طولانی (LSTM) اعمال شدند. دو سناریو برای پیشبینی در نظر گرفته شد. در سناریوی اول، با استفاده از یک تصویر و یک گام زمانی شش روزه، تصویر شش روز بعد پیشبینی شد. در سناریوی دوم، پیشبینی برای روزهای متوالی تا شش روز انجام شد. ضریب همبستگی بین مقادیر پیشبینی شده توسط RVM و مقادیر واقعی برای سناریوی اول و دوم به ترتیب 89/0 و 84/0 بدست آمد که نشان دهنده دقت قابل قبول این دو سناریو در پیشبینی تبخیر-تعرق است. در سناریوی نخست، مقادیر R2 برای دو روش RVM و LSTM به ترتیب برابر با 8/0 و 59/0 بدست آمد که نشان میدهد RVM در مقایسه با LSTM از دقت بیشتری برای پیشبینی تبخیر-تعرق برخوردار است. مقدار RMSE برای RVM در سناریوی اول و دوم به ترتیب برابر با 56/0 و 82/0 و مقدار MAE نیز به ترتیب برابر با 43/0 و 66/0 بدست آمد که نشان از خطای کمتر ناشی از پیکرهبندی انجام شده در سناریوی اول میباشد. | ||
| کلیدواژهها | ||
| الگوریتم METRIC؛ تلفیق تصاویر ماهوارهای؛ ماشین بردار ارتباط؛ LSTM | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 893 تعداد دریافت فایل اصل مقاله: 558 |
||