مقايسه عملكرد مدل‌هاي GLM، RF وDL در برآورد تبخير-تعرق گياه مرجع در ايستگاه سينوپتيك زابل

تبخير تعرق يكي از مهم ترين اجزاي چرخه هيدرولوژي براي برنامه ريزي سيستم هاي آبياري و ارزيابي اثرات هيدرولوژي تغيير اقليم است و تعيين صحيح آن براي بسياري از مطالعات از قبيل توازن هيدرولوژيكي آب، طراحي شبكه هاي آبياري و زهكشي، شبيه سازي ميزان محصولات و طراحي و بهينه سازي منابع آب از اهميت بالايي برخوردار است. خاصيت غيرخطي، عدم قطعيت ذاتي و نياز به اطلاعات متنوع اقليمي در برآورد تبخير وتعرق از دلايلي بوده اند كه باعث شده پژوهشگران از روش هاي مبتني بر هوش مصنوعي استفاده نمايند. در اين تحقيق جهت برآوردي دقيق از مقدار تبخيرتعرق مرجع روزانه بين سال هاي 20182009 در شهرستان زابل در شمال استان سيستان و بلوچستان ابتدا براساس روش استاندارد و متداول فائو پنمن مونتيث و داده هاي هواشناسي ايستگاه سينوپتيك زابل مقدار تبخيرتعرق مرجع مرجع ETo محاسبه و سپس با ارائه سناريوهاي مختلفي از تركيب پارامترهاي هواشناسي شامل دماي حداكثر، دماي حداقل، دماي ميانگين، رطوبت حداكثر، رطوبت حداقل، رطوبت ميانگين، بارش، ساعات آفتابي، سرعت باد و تبخير به عنوان ورودي مدل هاي يادگيري عميق، جنگل تصادفي و مدل خطي تعميم يافته در مقياس زماني روزانه سعي در برآورد دقيق تري از تبخير تعرق مرجع به عنوان خروجي مدل شده است. در برآورد تبخير و تعرق روزانه در مدل هاي مذكور، 25 سناريو از تركيب داده هاي هواشناسي انتخاب گرديد و براي ارزيابي مدل ها از روش فائوپنمن مانتيث استفاده شد. دربين سناريوهاي مورد بررسي، سناريوي M5 (دماي حداكثر، دماي حداقل، دماي ميانگين، رطوبت حداكثر، رطوبت حداقل، رطوبت ميانگين، سرعت باد و تبخير از تشت) براي مدل يادگيري عميق با ريشه ميانگين مربعات خطا (0/517) ميلي متر بر روز و بيشترين ضريب همبستگي (0/996بهترين عملكرد را در بين مدل هاي فوق داشتند. همچنين مدل يادگيري عميق دقت و پايداري بيشتري نسبت به ديگر مدل ها نشان دادند. بنابراين اين تحقيق مدل يادگيري عميق را براي برآورد تبخير و تعرق گياه مرجع در شهر زابل توصيه مي كند.