استفاده از خوارزميك انتخاب ويژگي به‌منظور پيش‌ بيني مقدار تبخير و تعرق با كمترين داده

Using feature selection algorithm for prediction of evapotranspiration with the lowest data

در پژوهش حاضر نسبت به انتخاب مهم­ترين متغيرهاي مؤثر در پيش‌بيني تبخير و تعرق با استفاده از خوارزميك (الگوريتم) انتخاب ويژگي در شهرستان داراب واقع در جنوب غربي استان فارس اقدام شد. در اين راستا ابتدا با استفاده از روش پنمن مو‌نتيث فائو مقدار تبخير و تعرق محاسبه، سپس به كمك روش انتخاب ويژگي از بين متغير‌هاي مؤثر در روش پنمن مونتيث فائو تأثيرگذارترين متغيرها در پيش‌بيني تبخير و تعرق تعيين شدند. براي پيش‌بيني، از روش‌هاي Best-First،Greedy-Stepwise و Ranker به منظور انتخاب مؤثرترين متغيرها از بين 120 داده استفاده شد. در راستاي بررسي خطاي هر يك از اين روش‌ها و انتخاب بهترين روش، از روش‌هاي طبقه بندي Naive Bayes، J48 و LMT استفاده شد. داده‌هاي مورد بررسي در اين بررسي، براي محاسبه و پيش‌بيني تبخير و تعرق عبارت از كمينه، ميانگين و بيشينه دما، سرعت باد، كمينه ساعات آفتابي، بيشينه ساعات آفتابي، ارتفاع، تابش خورشيدي و رطوبت نسبي بودند. نتايج پژوهش حاضر نشان داد كه روش Ranker با مدل Relifef- FAttribute-Eval در هر سه روش طبقه‌بندي، داراي كمينه خطاست. اين موضوع مبين اين نكته است كه بيشينه مقدار ساعات آفتابي، ميانگين و بيشينه دما نسبت به ساير متغير‌ها در پيش ­بيني مقدار تبخير و تعرق مؤثرترند. بنابراين با استفاده از خوارزميك Feature selection مي‌توان در مناطق داراي كمبود داده با استفاده از متغيرهاي كمتر اقدام به پيش­بيني تبخير و تعرق نمود و در زمان و هزينه صرفه‌جويي كرد.

In the present study the most effective climatological parameters for prediction of evapotranspiration using feature selection algorithm in Darab city located in southwest of Fars province was selected. In the first stage, the values of evapotranspiration were calculated based on FAO Penman-Montith method, then using feature selection method, the most effective parameters were selected among all effective parameters to evapotranspiration prediction based on FAO Penman-Montith method. Using Best First, Greedy Stepwise and Ranker as the most famous methods of feature selection the most effective parameters from 120 data were selected. Also in order to investigate of the error of each method to choose the best method Naïve Bayes, J48 and LMT was used. Using minimum, maximum and average temperatures, relative humidity, sunshine and maximum sunshine hours, wind speed, clear sky solar radiation (Rso), (75% of solar radiation in the upper atmosphere), the evapotranspiration was predicted. The results show that Ranker method with Relifef- Attribute-Eval in Naïve Bayes, J48 and LMT method had the lowest error. So maximum sunshine hours, maximum and average temperatures were found to be the most effective parameters for prediction of evapotranspiration. Using feature selection algorithm can be useful to predict of evapotranspiration in regions with limited data and save time and money.