تقدير النتح-التبخر المرجعي باستخدام تعلم الآلة مع بيانات مناخية محدودة

جدول المحتويات

1 المقدمة

يعد تقدير النتح-التبخر المرجعي (ETo) أمراً بالغ الأهمية لتخطيط الري وإدارة الموارد المائية، خاصة في المناطق المعرضة للجفاف مثل المغرب. معادلة منظمة الأغذية والزراعة 56 بينمان-مونتيث، رغم دقتها، تتطلب بيانات مناخية شاملة تشمل درجة الحرارة والرطوبة والإشعاع الشمسي وسرعة الرياح، مما يجعلها غير عملية للمناطق ذات البنية التحتية المحدودة لأجهزة الاستشعار.

تقدم المعادلات التجريبية التقليدية مثل هارجريفز-ساماني ورومانينكو وجينسن-هايس نهجاً مبسطاً لكنها تعاني من تباين في الأداء عبر الظروف المناخية المختلفة. يتناول هذا البحث هذه القيود من خلال استكشاف نماذج تعلم الآلة التي يمكنها تحقيق تقدير دقيق للنتح-التبخر المرجعي بأقل معاملات إدخال.

2 المنهجية

2.1 جمع البيانات والمعالجة المسبقة

تم جمع بيانات مناخية من محطات متعددة في منطقة مكناس، شملت قياسات درجة الحرارة والرطوبة والإشعاع الشمسي وسرعة الرياح. اشتملت المعالجة المسبقة للبيانات على التعامل مع القيم المفقودة والتطبيع والمحاذاة الزمنية عبر المحطات المختلفة.

2.2 نماذج تعلم الآلة

تم تنفيذ ثلاثة نماذج لتعلم الآلة ومقارنتها:

• XGBoost: إطار عمل التعزيز التدريجي المعروف بأدائه العالي وكفاءته
• آلة ناقلات الدعم (SVM): فعالة لمهام الانحدار مع بيانات محدودة
• الغابة العشوائية (RF): طريقة تجميعية مقاومة للزيادة في التخصيص

2.3 الإعداد التجريبي

تم تنفيذ سيناريوهين للتحقق:

• السيناريو 1: تقسيم عشوائي لجميع البيانات المتاحة
• السيناريو 2: التدريب على محطة واحدة، التحقق على محطة أخرى (التحقق المتبادل المكاني)

3 النتائج والمناقشة

3.1 مقارنة الأداء

تفوقت جميع نماذج تعلم الآلة على المعادلات التجريبية التقليدية في كلا سيناريوهي التحقق. أظهر XGBoost أعلى دقة بقيم R² تتجاوز 0.92، يليه عن كثب الغابة العشوائية وآلة ناقلات الدعم.

3.2 تحليل أهمية الميزات

برزت درجة الحرارة والإشعاع الشمسي كأهم الميزات عبر جميع النماذج. كشف التحليل أنه بمجرد هذين المعاملين فقط، يمكن لنماذج تعلم الآلة تحقيق 85-90% من الأداء المتحقق مع مجموعات المعاملات الكاملة.

4 التنفيذ التقني

4.1 الصيغ الرياضية

تخدم معادلة منظمة الأغذية والزراعة 56 بينمان-مونتيث القياسية كمعيار:

$$ET_0 = \frac{0.408\Delta(R_n - G) + \gamma\frac{900}{T + 273}u_2(e_s - e_a)}{\Delta + \gamma(1 + 0.34u_2)}$$

حيث $\Delta$ هو منحنى ضغط البخار، $R_n$ هو الإشعاع الصافي، $G$ هو تدفق حرارة التربة، $\gamma$ هو الثابت النفسромتري، $T$ هو درجة حرارة الهواء، $u_2$ هو سرعة الرياح، $e_s$ هو ضغط بخار التشبع، و $e_a$ هو ضغط البخار الفعلي.

4.2 تنفيذ الكود

import xgboost as xgb
from sklearn.ensemble import RandomForestRegressor
from sklearn.svm import SVR
import numpy as np

class EToEstimator:
    def __init__(self, model_type='xgb'):
        if model_type == 'xgb':
            self.model = xgb.XGBRegressor(
                max_depth=6,
                learning_rate=0.1,
                n_estimators=100,
                objective='reg:squarederror'
            )
        elif model_type == 'rf':
            self.model = RandomForestRegressor(
                n_estimators=100,
                max_depth=10,
                random_state=42
            )
        elif model_type == 'svm':
            self.model = SVR(kernel='rbf', C=1.0, epsilon=0.1)
    
    def train(self, X_train, y_train):
        self.model.fit(X_train, y_train)
    
    def predict(self, X_test):
        return self.model.predict(X_test)

# اختيار الميزات: درجة الحرارة والإشعاع الشمسي فقط
features = ['temp_max', 'temp_min', 'solar_rad']
target = 'ETo_FAO56'

5 التطبيقات المستقبلية

يظهر البحث إمكانات كبيرة للتنفيذ العملي في عدة مجالات:

• أنظمة الري الذكية: التكامل مع وحدات تحكم الري القائمة على إنترنت الأشياء لإدارة المياه في الوقت الفعلي
• التكيف مع تغير المناخ: تحسين تخطيط الموارد المائية في المناطق المعرضة للجفاف
• التكنولوجيا الزراعية: تطوير تطبيقات محمولة للمزارعين الصغار
• سياسة المياه: دعم القرارات القائمة على البيانات لتخصيص المياه وتسعيرها

تشمل اتجاهات البحث المستقبلية التعلم بالنقل عبر المناطق المناخية المختلفة، والتكامل مع بيانات الأقمار الصناعية، وتطوير حلول الحوسبة الطرفية للمناطق النائية.

6 المراجع

1. Allen, R. G., Pereira, L. S., Raes, D., & Smith, M. (1998). Crop evapotranspiration: Guidelines for computing crop water requirements. FAO Irrigation and drainage paper 56.
2. Landeras, G., Ortiz-Barredo, A., & López, J. J. (2008). Comparison of artificial neural network models and empirical and semi-empirical equations for daily reference evapotranspiration estimation in the Basque Country. Agricultural Water Management, 95(5), 553-565.
3. Maestre-Valero, J. F., Martínez-Alvarez, V., & González-Real, M. M. (2013). Evaluation of SVM and ELM for daily reference evapotranspiration estimation in semi-arid regions. Computers and Electronics in Agriculture, 89, 100-106.
4. López-Urrea, R., Martín de Santa Olalla, F., Fabeiro, C., & Moratalla, A. (2006). Testing evapotranspiration equations using lysimeter observations in a semiarid climate. Agricultural Water Management, 85(1-2), 15-26.
5. Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., ... & Bengio, Y. (2014). Generative adversarial nets. Advances in neural information processing systems, 27.

7 التحليل الخبير