مدل‌سازي فرايند تبخير-تعرق روزانه با استفاده از مدل‌هاي رگرسيوني و هوشمند (مطالعه‌ موردي)

تبخير-تعرق نقش مهمي در مديريت منابع آب منطقه‌اي، تغييرات آب‌وهوايي و توليد كشاورزي دارد. در اين تحقيق، كارايي برخي از تكنيك‌هاي داده‌محور، شامل ماشين بردار پشتيبان (SVM)، شبكه‌هاي عصبي مصنوعي (ANN) و تركيب آن با تبديل موجك (WANN)، رگرسيون خطي چندمتغيره (MLR) و درخت تصميم (Decision Tree) براي پيش‌بيني نرخ تبخير-تعرق در ايستگاه اسكاتس‌بلوف در ايالت نبراسكا بررسي شد. براي اين منظور، از 5 پارامتر هواشناسي (دماي كمينه، دماي بيشينه، رطوبت نسبي، سرعت باد و تابش خورشيدي) به‌عنوان ورودي براي مدل‌ها استفاده شد. داده‌هاي مورد استفاده‌ در اين تحقيق اطلاعات هواشناسي روزانه بين سال‌هاي 2005 و 2013 براي آموزش و آزمون مدل‌ها بود. به‌منظور اجراي هريك از مدل‌ها 8 سناريو با توجه به تركيب پارامترهاي ورودي درنظر گرفته شد. براي ارزيابي عملكرد تكنيك‌هاي مورد مطالعه، از سه شاخص آماري مختلف، يعني ريشه‌ ميانگين مربع خطا (RMSE)، ضريب همبستگي (R) و ضريب نش‌ساتكليف (NSE) استفاده شد كه بدين‌وسيله نتايج مدل‌ها با داده‌هاي مشاهداتي بررسي شد؛ علاوه‌بر اين، نمودارهاي تيلور براي آزمايش شباهت بين داده‌هاي مشاهده‌شده و پيش‌بيني‌شده ‌استفاده شد. نتايج نشان داد كه در ايستگاه اسكاتس‌بلوف، 8WANN (هشتمين تركيب ورودي براي مدل WANN است) با توجه به مقادير ريشه‌ ميانگين مربع خطا (RMSE)، ضريب همبستگي (R) و ضريب نش‌ساتكليف به‌ترتيب برابر با 097/0 ميلي‌متر در روز، 999/0 و 999/0 عملكرد بهتري در مقايسه با ANN ، SVM، MLR و DT داشت. مدل‌هاي SVM و ANN نيز دقت بسيار خوبي را نشان دادند و مدل‌هاي DT و MLR با وجود قابل‌قبول‌بودن دقت در آن‌ها از ساير مدل‌ها ضعيف‌تر عمل كردند. به‌عنوان يك نتيجه‌گيري، نتايج حاصل از مطالعه‌ فعلي ثابت كرد كه WANN روندهاي معقولي را براي مدل‌سازي اسكاتس‌بلوف در ايستگاه اسكاتس‌بلوف ارائه كرده‌است.