ارزيابي تكنيك سنجش از دور و مدل هاي يادگيري ماشين در برآورد تبخيروتعرق گياه نيشكر

تخمين تبخيروتعرق گياه در مناطق خشك و نيمه خشك چالش برانگيز است زيرا اين فرايند در طول زمان و مكان بسيار پويا است. هم‌چنين اندازه گيري اين متغير به‌صورت ميداني كاري بسيار وقت گير و هزينه بر است. لذا اين پژوهش با هدف ايجاد چارچوبي براي برآورد بهينه تبخيروتعرق گياه نيشكر در مقياس مكاني- زماني با استفاده از چهار مدل يادگيري ماشين (MLR، CART، SVR و GBRT) در تركيب با داده هاي سنجش از دور و متغير هاي هواشناسي صورت گرفت. هم‌چنين به‌منظور كاهش وابستگي به پارامترهاي متعدد هواشناسي در روش هاي مرسوم برآورد تبخيروتعرق، هشت مدل مختلف تجربي مبتني بر دما و چهار مدل اصلاحي هارگريوز ساماني نسبت به مدل استاندارد فائو- پنمن- مانتيث ارزيابي شد. بدين منظور داده هاي هواشناسي از ايستگاه هواشناسي كشت و صنعت نيشكر حكيم فارابي در دوره زماني سه ساله (1400-1397) گردآوري شدند. نُه تركيب مختلف از متغيرهاي ورودي (داده هاي سنجش از دور و متغير هاي هواشناسي) براساس روش Information Gain Ratio طراحي شدند و سپس توسط الگوريتم هاي يادگيري ماشين ارزيابي شدند. نتايج نشان داد كه بيش‌ترين دقت مدل‌هاي يادگيري ماشين براساس آماره‌هايR^2 ، RMSE و MAE به‌ترتيب در مدل‌هاي CART (0.99، 0.41 و 0.18) و GBRT (0.99، 0.65 و 0.26) به‌دست آمد. هم‌چنين از بين روش هاي تجربي مبتني بر دما، روش ايوانف با R^2 برابر 0.91 و روش باير رابرتسون با R^2 برابر 0.78 به‌ترتيب بهترين و ضعيف ترين عملكرد را ثبت كردند. به‌طوركلي روش سنجش از دور در تركيب با مدل هاي يادگيري ماشين توانست مقادير بهتر و دقيق تري از تبخيروتعرق گياه را در مقياس زمان و مكان ارائه نمايد.