برآورد تبخير- تعرق مرجع روزانه با استفاده از روش هاي داده كاوي رگرسيون بردار پشتيبان و مدل درختي M5

Estimating Daily Reference Evapotranspiration using Data Mining Methods of Support Vector Regression and M5 Model Tree

تبخير و تعرق يكي از اجزاي اصلي چرخه هيدرولوژي است و تعيين صحيح آن براي بسياري از مطالعات از قبيل توازن هيدرولوژيكي آب، طراحي و مديريت سيستم‌هاي آبياري، شبيه‌سازي ميزان محصول و طراحي و مديريت منابع آب از درجه اهميت بالايي برخوردار است. خاصيت غيرخطي، عدم قطعيت ذاتي و نياز به اطلاعات متنوع اقليمي در برآورد تبخير و تعرق از دلايلي بوده‌اند كه باعث شده پژوهشگران به سوي روش‌هاي داده كاوي همچون درخت تصميم (M5) و رگرسيون بردار پشتيبان (SVR) روي آورند. در تحقيق حاضر دقت روش هاي مذكور در تخمين تبخير و تعرق گياه مرجع در مقايسه با روش‌هاي تجربي هارگريوز و تورنت وايت مورد مطالعه قرار گرفته است. بدين منظور، با استفاده از سري داده­ هاي هواشناسي سال‌هاي 1394-1371 ايستگاه سينوپتيك تبريز، ابتدا مقادير تبخير و تعرق روزانه گياه مرجع از روش استاندارد فائو- پنمن- مونتيث محاسبه گرديد. سپس با استفاده از اين مقادير به عنوان خروجي‌هاي هدف، 17 سناريو مختلف از داده‌هاي هواشناسي كه تركيبي از حداقل داده شامل يك پارامتر تا حداكثر شش پارامتر هواشناسي بودند، توسط روش­ هاي مذكور ارزيابي گرديد. در نهايت قابليت روش­ هاي SVR وM5 در برآورد تبخير و تعرق گياه مرجع با استفاده از داده‌هاي صحت­ سنجي مورد بررسي قرار گرفت. نتايج بررسي­ هاي آماري و دياگرام تيلور نشان دادند كه روش­ هاي SVR و M5 در حالت در نظر گرفتن تمامي پارامترهاي هواشناسي به ترتيب با دارا بودن جذر ميانگين مربعات خطاي 398/0 و 411/0 در مقايسه با روش‌هاي تجربي هارگريوز و تورنت وايت، نتايج بهتري در برآورد تبخير و تعرق گياه داشته ­اند.

Evapotranspiration is one of the most important components of the hydrological circle and its proper determination is highly important in most researches such as water hydrological balance, design and management of irrigation systems, simulation of crop production and design and management of water resources. Nonlinear characteristic, uncertainty and needing for different climatological data in simulating evapotranspiration are the reasons that motivate researchers to investigate data mining methods such as M5 model trees and support vector regression. In the present study, the precision of mentioned methods in estimation of reference crop evapotranspiration in comparison with empirical methods such as Hargrivs and Torrent white equations was studied. For that purpose, using meteorological dataset of 1371-1394 years of Tabriz synoptic station, the daily values of reference crop evapotranspiration were computed by FAO-Penman-Monteith method. Then, using these computed values as target outputs, 17 various scenarios combining at last one to up to six meteorological parameters have been considered using mentioned methods. Finally, the capability of support vector regression and M5 model trees for estimation of evapotranspiration was analyzed using test data set. Results of statistical analysis and Taylor diagram showed that support vector regression and M5 model trees in a case of considering all meteorological parameters with root mean square of 0.398 and 0.44, respectively, provided precise results comparing with empirical methods such as Hargrivs and Torrent white.