برآورد تبخیر-تعرق مرجع با یادگیری ماشین و داده‌های هواشناسی محدود

فهرست مطالب

1 مقدمه

برآورد تبخیر-تعرق مرجع (ETo) برای برنامه‌ریزی آبیاری و مدیریت منابع آب حیاتی است، به‌ویژه در مناطق مستعد خشکسالی مانند مراکش. معادله فائو-۵۶ پنمن-مونتیت اگرچه دقیق است، اما به داده‌های هواشناسی گسترده‌ای از جمله دما، رطوبت، تابش خورشیدی و سرعت باد نیاز دارد که این امر آن را برای مناطق با زیرساخت سنسوری محدود غیرعملی می‌سازد.

معادلات تجربی سنتی مانند هارگریوز-سامانی، روماننکو و جنسن-هایس رویکردهای ساده‌شده‌ای ارائه می‌دهند اما از تغییرپذیری عملکرد در شرایط آب‌وهوایی مختلف رنج می‌برند. این تحقیق با بررسی مدل‌های یادگیری ماشین که می‌توانند با حداقل پارامترهای ورودی به برآورد دقیق ETo دست یابند، به رفع این محدودیت‌ها می‌پردازد.

2 روش‌شناسی

2.1 جمع‌آوری و پیش‌پردازش داده‌ها

داده‌های هواشناسی از چندین ایستگاه در منطقه مکناس جمع‌آوری شد، از جمله اندازه‌گیری‌های دما، رطوبت، تابش خورشیدی و سرعت باد. پیش‌پردازش داده‌ها شامل مدیریت مقادیر缺失، نرمال‌سازی و هم‌راستایی زمانی در بین ایستگاه‌های مختلف بود.

2.2 مدل‌های یادگیری ماشین

سه مدل یادگیری ماشین پیاده‌سازی و مقایسه شدند:

• XGBoost: چارچوب تقویت گرادیان شناخته‌شده برای عملکرد و کارایی بالا
• ماشین بردار پشتیبان (SVM): مؤثر برای وظایف رگرسیون با داده‌های محدود
• جنگل تصادفی (RF): روش مجموعه‌ای مقاوم در برابر بیش‌برازش

2.3 راه‌اندازی آزمایشی

دو سناریوی اعتبارسنجی پیاده‌سازی شد:

• سناریوی 1: تقسیم تصادفی تمام داده‌های موجود
• سناریوی 2: آموزش روی یک ایستگاه، اعتبارسنجی روی ایستگاه دیگر (اعتبارسنجی متقابل مکانی)

3 نتایج و بحث

3.1 مقایسه عملکرد

تمام مدل‌های یادگیری ماشین در هر دو سناریوی اعتبارسنجی از معادلات تجربی سنتی بهتر عمل کردند. XGBoost با مقادیر R² بیش از ۰.۹۲ بالاترین دقت را نشان داد و به دنبال آن جنگل تصادفی و SVM قرار گرفتند.

3.2 تحلیل اهمیت ویژگی‌ها

دما و تابش خورشیدی به عنوان مهم‌ترین ویژگی‌ها در تمام مدل‌ها ظاهر شدند. تحلیل نشان داد که تنها با این دو پارامتر، مدل‌های یادگیری ماشین می‌توانند به ۹۰%-۸۵ از عملکرد به‌دست‌آمده با مجموعه‌های پارامتر کامل دست یابند.

4 پیاده‌سازی فنی

4.1 فرمول‌بندی‌های ریاضی

معادله استاندارد فائو-۵۶ پنمن-مونتیت به عنوان معیار عمل می‌کند:

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

جایی که $\Delta$ شیب منحنی فشار بخار، $R_n$ تابش خالص، $G$ شار گرمای خاک، $\gamma$ ثابت سایکرومتریک، $T$ دمای هوا، $u_2$ سرعت باد، $e_s$ فشار بخار اشباع و $e_a$ فشار بخار واقعی است.

4.2 پیاده‌سازی کد

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)

# انتخاب ویژگی: فقط دما و تابش خورشیدی
features = ['temp_max', 'temp_min', 'solar_rad']
target = 'ETo_FAO56'

5 کاربردهای آینده

این تحقیق پتانسیل قابل توجهی برای پیاده‌سازی عملی در چندین حوزه نشان می‌دهد:

• سیستم‌های آبیاری هوشمند: ادغام با کنترلرهای آبیاری مبتنی بر اینترنت اشیا برای مدیریت آب بلادرنگ
• انطباق با تغییرات آب‌وهوا: برنامه‌ریزی بهبودیافته منابع آب در مناطق مستعد خشکسالی
• فناوری کشاورزی: توسعه برنامه‌های کاربردی موبایل برای کشاورزان خرده‌پا
• سیاست آب: پشتیبانی از تصمیم‌گیری مبتنی بر داده برای تخصیص و قیمت‌گذاری آب

جهت‌های تحقیقاتی آینده شامل یادگیری انتقالی در مناطق آب‌وهوایی مختلف، ادغام با داده‌های ماهواره‌ای و توسعه راه‌حل‌های رایانشی لبه برای مناطق دورافتاده است.

6 مراجع

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 تحلیل تخصصی