پيش‌بيني تبخير-تعرق روزانه برنج در مقياس مزرعه با استفاده از رويكرد يادگيري ماشين

پيش‌بيني كوتاه ‌مدت تبخير-تعرق روزانه گياه در كشاورزي دقيق و مديريت آبياري اهميت فراواني دارد.در اين مقاله، روشي براي پيش‌بيني كوتاه مدت نقشه‌هاي تبخير-تعرق روزانه گياه برنج با استفاده از تصاوير ماهواره‌اي و الگوريتم‌هاي يادگيري ماشين ارائه شده است.پس از تلفيق باندهاي تصاوير لندست 8 و موديس با استفاده از روش STARFM، تصاوير تبخير-تعرق روزانه به كمك الگوريتم METRIC توليد و براي پيش‌بيني نقشه‌هاي تبخير-تعرق روزهاي بعدي به عنوان ورودي به ماشين بردار ارتباط (RVM) و حافظه كوتاه-مدت طولاني (LSTM) اعمال شدند. دو سناريو براي پيش‌بيني در نظر گرفته شد. در سناريوي اول، با استفاده از يك تصوير و يك گام زماني شش روزه، تصوير شش روز بعد پيش‌بيني شد. در سناريوي دوم، پيش‌بيني براي روزهاي متوالي تا شش روز انجام شد.ضريب همبستگي بين مقادير پيش‌بيني شده توسط RVM و مقادير واقعي براي سناريوي اول و دوم به ترتيب 0.89 و 0.84 بدست آمد كه نشان دهنده دقت قابل قبول اين دو سناريو در پيش‌بيني تبخير-تعرق است. در سناريوي نخست، مقادير R2 براي دو روش  RVM و LSTM به ترتيب برابر با 0.8 و 0.59 بدست آمد كه نشان مي‌دهد RVM در مقايسه با LSTM از دقت بيشتري براي پيش‌بيني تبخير-تعرق برخوردار است. مقدار RMSE براي RVM در سناريوي اول و دوم به ترتيب برابر با 0.56 و 0.82 و مقدار MAE نيز به ترتيب برابر با 0.43 و 0.66 بدست آمد كه نشان از خطاي كمتر ناشي از پيكره‌بندي انجام شده در سناريوي اول مي‌باشد.