সীমিত আবহাওয়া তথ্য সহ রেফারেন্স ইভাপোট্রান্সপিরেশন অনুমানের জন্য মেশিন লার্নিং

সূচিপত্র

1 ভূমিকা

সেচ পরিকল্পনা ও জলসম্পদ ব্যবস্থাপনার জন্য রেফারেন্স ইভাপোট্রান্সপিরেশন (ETo) অনুমান অত্যন্ত গুরুত্বপূর্ণ, বিশেষ করে মরক্কোর মতো খরা প্রবণ অঞ্চলে। এফএও-৫৬ পেনম্যান-মন্টিথ সমীকরণটি সঠিক হলেও এটির জন্য তাপমাত্রা, আর্দ্রতা, সৌর বিকিরণ এবং বাতাসের গতির মতো ব্যাপক আবহাওয়া তথ্যের প্রয়োজন হয়, যা সেন্সর অবকাঠামো সীমিত অঞ্চলে ব্যবহারিক নয়।

হারগ্রিভস-সামানি, রোমানেঙ্কো এবং জেনসেন-হাইসের মতো ঐতিহ্যবাহী অভিজ্ঞতাভিত্তিক সমীকরণ সরলীকৃত পদ্ধতি প্রদান করে কিন্তু বিভিন্ন জলবায়ু পরিস্থিতিতে কর্মদক্ষতার তারতম্যে ভোগে। এই গবেষণা সর্বনিম্ন ইনপুট প্যারামিটার দিয়ে সঠিক ETo অনুমান অর্জন করতে পারে এমন মেশিন লার্নিং মডেলগুলি অন্বেষণের মাধ্যমে এই সীমাবদ্ধতাগুলি মোকাবেলা করে।

2 পদ্ধতি

2.1 তথ্য সংগ্রহ ও প্রাক-প্রক্রিয়াকরণ

মেকনেস অঞ্চলের একাধিক স্টেশন থেকে আবহাওয়া তথ্য সংগ্রহ করা হয়েছিল, যার মধ্যে তাপমাত্রা, আর্দ্রতা, সৌর বিকিরণ এবং বাতাসের গতি পরিমাপ অন্তর্ভুক্ত ছিল। তথ্য প্রাক-প্রক্রিয়াকরণে অনুপস্থিত মানগুলি পরিচালনা, স্বাভাবিককরণ এবং বিভিন্ন স্টেশনে সময়গত সমন্বয় জড়িত ছিল।

2.2 মেশিন লার্নিং মডেল

তিনটি মেশিন লার্নিং মডেল বাস্তবায়ন ও তুলনা করা হয়েছে:

• XGBoost: উচ্চ কর্মদক্ষতা ও দক্ষতার জন্য পরিচিত গ্রেডিয়েন্ট বুস্টিং ফ্রেমওয়ার্ক
• সাপোর্ট ভেক্টর মেশিন (SVM): সীমিত তথ্য সহ রিগ্রেশন কাজের জন্য কার্যকর
• র্যান্ডম ফরেস্ট (RF): ওভারফিটিং-এর প্রতি সহনশীল এনসেম্বল পদ্ধতি

2.3 পরীক্ষামূলক সেটআপ

দটি বৈধকরণ পরিস্থিতি বাস্তবায়ন করা হয়েছিল:

• পরিস্থিতি ১: সমস্ত উপলব্ধ তথ্যের এলোমেলো বিভাজন
• পরিস্থিতি ২: একটি স্টেশনে প্রশিক্ষণ, অন্য স্টেশনে বৈধকরণ (স্থানিক ক্রস-ভ্যালিডেশন)

3 ফলাফল ও আলোচনা

3.1 কর্মদক্ষতা তুলনা

উভয় বৈধকরণ পরিস্থিতিতে সমস্ত মেশিন লার্নিং মডেল ঐতিহ্যবাহী অভিজ্ঞতাভিত্তিক সমীকরণগুলিকে ছাড়িয়ে গেছে। XGBoost ০.৯২-এর বেশি R² মান সহ সর্বোচ্চ নির্ভুলতা প্রদর্শন করেছে, তারপর ঘনিষ্ঠভাবে র্যান্ডম ফরেস্ট এবং SVM।

3.2 বৈশিষ্ট্য গুরুত্ব বিশ্লেষণ

তাপমাত্রা এবং সৌর বিকিরণ সমস্ত মডেল জুড়ে সবচেয়ে গুরুত্বপূর্ণ বৈশিষ্ট্য হিসাবে আবির্ভূত হয়েছে। বিশ্লেষণে প্রকাশ পেয়েছে যে শুধুমাত্র এই দুটি প্যারামিটার দিয়ে, মেশিন লার্নিং মডেলগুলি সম্পূর্ণ প্যারামিটার সেট দিয়ে প্রাপ্ত কর্মদক্ষতার ৮৫-৯০% অর্জন করতে পারে।

4 প্রযুক্তিগত বাস্তবায়ন

4.1 গাণিতিক সূত্রসমূহ

মানক এফএও-৫৬ পেনম্যান-মন্টিথ সমীকরণটি বেঞ্চমার্ক হিসাবে কাজ করে:

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

যেখানে $\Delta$ হল বাষ্প চাপ বক্ররেখার ঢাল, $R_n$ হল নেট বিকিরণ, $G$ হল মৃত্তিকা তাপ প্রবাহ, $\gamma$ হল সাইক্রোমেট্রিক ধ্রুবক, $T$ হল বায়ুর তাপমাত্রা, $u_2$ হল বাতাসের গতি, $e_s$ হল স্যাচুরেশন বাষ্প চাপ, এবং $e_a$ হল প্রকৃত বাষ্প চাপ।

4.2 কোড বাস্তবায়ন

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)

# বৈশিষ্ট্য নির্বাচন: শুধুমাত্র তাপমাত্রা এবং সৌর বিকিরণ
features = ['temp_max', 'temp_min', 'solar_rad']
target = 'ETo_FAO56'

5 ভবিষ্যত প্রয়োগ

গবেষণাটি বেশ কয়েকটি ক্ষেত্রে ব্যবহারিক বাস্তবায়নের জন্য উল্লেখযোগ্য সম্ভাবনা প্রদর্শন করে:

• স্মার্ট সেচ সিস্টেম: রিয়েল-টাইম জল ব্যবস্থাপনার জন্য আইওটি-ভিত্তিক সেচ কন্ট্রোলারের সাথে একীকরণ
• জলবায়ু পরিবর্তন অভিযোজন: খরা প্রবণ অঞ্চলে উন্নত জলসম্পদ পরিকল্পনা
• কৃষি প্রযুক্তি: ক্ষুদ্র কৃষকদের জন্য মোবাইল অ্যাপ্লিকেশন উন্নয়ন
• জল নীতি: জল বরাদ্দ ও মূল্য নির্ধারণের জন্য তথ্য-চালিত সিদ্ধান্ত সমর্থন

ভবিষ্যত গবেষণার দিকগুলির মধ্যে রয়েছে বিভিন্ন জলবায়ু অঞ্চল জুড়ে ট্রান্সফার লার্নিং, স্যাটেলাইট ডেটার সাথে একীকরণ, এবং প্রত্যন্ত অঞ্চলের জন্য এজ কম্পিউটিং সমাধান উন্নয়ন।

6 তথ্যসূত্র

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 বিশেষজ্ঞ বিশ্লেষণ