پیش‌بینی ماهانة تبخیر از تشت با استفاده از رویکردهای انفرادی و ترکیبی مدل‌های داده‌کاوی در مناطق خشک

نوع مقاله : پژوهشی

نویسندگان

1 استادیار گروه مدیریت و کنترل بیابان، دانشکده منابع طبیعی، مجتمع آموزش عالی سراوان

2 استادیار گروه مدیریت و کنترل بیابان، دانشکده منابع طبیعی، مجتمع آموزش عالی سراوان، سراوان، ایران

چکیده

برآورد دقیق میزان تبخیر در برنامه‌ریزی صحیح و بهره‌برداری بهینه از پروژه‌های منابع آب و فعالیت‌های کشاورزی بسیار مهم است. تبخیر تحت تأثیر بسیاری از نیروهای محرکه است که با ویژگی غیرخطی، غیرثابت و تصادفی مشخص می‌شوند. چنین عواملی به وضوح مانع از راه‌اندازی مدل‌های پیش‌بینی دقیق می‌شود. از این‌رو، در این مطالعه به پیش‌بینی ماهانة تبخیر از تشت با استفاده از رویکردهای انفرادی و ترکیبی مدل‌های داده‌کاوی در استان سیستان و بلوچستان پرداخته شده است. داده‌های هواشناسی شامل متوسط دمای ماهانه، بیشینه دمای ماهانه، کمینه دمای ماهانه، میانگین سرعت باد، متوسط رطوبت نسبی، بیشینه رطوبت نسبی، کمینه رطوبت نسبی و مجموع بارش ماهانه از ایستگاه‌های سینوپتیک در استان سیستان و بلوچستان به‌عنوان متغیرهای پیش‌بینی‌کننده استفاده شد. در رویکرد عملکرد انفرادی مدل‌های داده‌کاوی، از هشت مدل داده کاوی به‌منظور شبیه‌سازی و پیش‌بینی تبخیر از تشت استفاده شد. از رویکرد ترکیبی VEDL به‌منظور ارائة یک مدل ترکیبی (ترکیب هشت مدل انفرادی داده‌کاوی اشاره شده) با استفاده از روش واپسگرای رای و رای وزنی مورد استفاده قرار گرفت. به‌منظور ارزیابی مدل‌های مورد استفاده در این پژوهش از معیارهای ارزیابی ضریب تعیین (R2)، ریشۀ میانگین مربعات خطا (RMSE)، میانگین خطای مطلق و نمودار تیلور استفاده شد. در بین مدل‌های انفرادی مدل شبکة عصبی مصنوعی (ANN) با میزان R2 برابر 89/0 و RMSE برابر 95/45 در مرحلة آموزش و میزان R2 برابر 96/0 و RMSE برابر 18/44 در مرحلة آزمون، بهترین عملکرد را در هر دو مرحلة آموزش و آزمون داشته است و به‌عنوان بهترین مدل داده‌کاوی در ایستگاه زاهدان به‌منظور پیش‌بینی تبخیر از تشت ماهانه معرفی شد. نتایج اجرای مدل ترکیبی نشان داد که رویکرد ترکیبی مدل‌ها موجب بهبود نتایج نسبت به بهترین مدل انفرادی شده است. به‌طوری‌که مقادیر RMSE از مقدار 95/45 به مقدار 1/33 و مقادیر R2 از مقدار 89/0 به مقدار 94/0 و مقدار MAE از 92/32 به مقدار 9/32 بهبود یافته است.

کلیدواژه‌ها

موضوعات