सीमित मौसम संबंधी आंकड़ों के साथ संदर्भ वाष्पोत्सर्जन अनुमान के लिए मशीन लर्निंग

विषय सूची

1 परिचय

संदर्भ वाष्पोत्सर्जन (ETo) अनुमान सिंचाई योजना और जल संसाधन प्रबंधन के लिए महत्वपूर्ण है, विशेष रूप से मोरक्को जैसे सूखा-ग्रस्त क्षेत्रों में। एफएओ-56 पेनमैन-मोंटेथ समीकरण, हालांकि सटीक है, लेकिन इसे तापमान, आर्द्रता, सौर विकिरण और हवा की गति सहित व्यापक मौसम संबंधी आंकड़ों की आवश्यकता होती है, जिससे सीमित सेंसर अवसंरचना वाले क्षेत्रों में इसका व्यावहारिक उपयोग मुश्किल हो जाता है।

हार्ग्रीव्स-समानी, रोमानेंको और जेनसन-हेस जैसे पारंपरिक अनुभवजन्य समीकरण सरलीकृत दृष्टिकोण प्रदान करते हैं, लेकिन विभिन्न जलवायु परिस्थितियों में इनके प्रदर्शन में परिवर्तनशीलता की समस्या रहती है। यह शोध इन सीमाओं को दूर करते हुए मशीन लर्निंग मॉडलों का अन्वेषण करता है जो न्यूनतम इनपुट पैरामीटरों के साथ सटीक ETo अनुमान प्राप्त कर सकते हैं।

2 कार्यप्रणाली

2.1 आंकड़ा संग्रह और पूर्व-प्रसंस्करण

मेकनेस क्षेत्र के कई स्टेशनों से मौसम संबंधी आंकड़े एकत्र किए गए, जिनमें तापमान, आर्द्रता, सौर विकिरण और हवा की गति माप शामिल थे। आंकड़ा पूर्व-प्रसंस्करण में लापता मानों को संभालना, सामान्यीकरण और विभिन्न स्टेशनों में समयबद्ध संरेखण शामिल था।

2.2 मशीन लर्निंग मॉडल

तीन मशीन लर्निंग मॉडल लागू किए गए और उनकी तुलना की गई:

• XGBoost: उच्च प्रदर्शन और दक्षता के लिए जाना जाने वाला ग्रेडिएंट बूस्टिंग फ्रेमवर्क
• सपोर्ट वेक्टर मशीन (SVM): सीमित आंकड़ों वाले रिग्रेशन कार्यों के लिए प्रभावी
• रैंडम फॉरेस्ट (RF): ओवरफिटिंग के प्रति मजबूत एन्सेंबल विधि

2.3 प्रायोगिक सेटअप

दो सत्यापन परिदृश्य लागू किए गए:

• परिदृश्य 1: सभी उपलब्ध आंकड़ों का यादृच्छिक विभाजन
• परिदृश्य 2: एक स्टेशन पर प्रशिक्षण, दूसरे पर सत्यापन (स्थानिक क्रॉस-सत्यापन)

3 परिणाम और चर्चा

3.1 प्रदर्शन तुलना

दोनों सत्यापन परिदृश्यों में सभी मशीन लर्निंग मॉडलों ने पारंपरिक अनुभवजन्य समीकरणों से बेहतर प्रदर्शन किया। XGBoost ने 0.92 से अधिक R² मानों के साथ सर्वोच्च सटीकता प्रदर्शित की, इसके बाद रैंडम फॉरेस्ट और SVM का स्थान रहा।

3.2 फीचर महत्व विश्लेषण

तापमान और सौर विकिरण सभी मॉडलों में सबसे महत्वपूर्ण फीचर के रूप में उभरे। विश्लेषण से पता चला कि केवल इन दो पैरामीटरों के साथ, मशीन लर्निंग मॉडल पूर्ण पैरामीटर सेट के साथ प्राप्त प्रदर्शन का 85-90% हासिल कर सकते हैं।

4 तकनीकी कार्यान्वयन

4.1 गणितीय सूत्रीकरण

मानक एफएओ-56 पेनमैन-मोंटेथ समीकरण बेंचमार्क के रूप में कार्य करता है:

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

जहां $\Delta$ वाष्प दबाव वक्र का ढलान है, $R_n$ शुद्ध विकिरण है, $G$ मृदा ऊष्मा प्रवाह है, $\gamma$ साइक्रोमेट्रिक स्थिरांक है, $T$ वायु तापमान है, $u_2$ हवा की गति है, $e_s$ संतृप्ति वाष्प दबाव है, और $e_a$ वास्तविक वाष्प दबाव है।

4.2 कोड कार्यान्वयन

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)

# फीचर चयन: केवल तापमान और सौर विकिरण
features = ['temp_max', 'temp_min', 'solar_rad']
target = 'ETo_FAO56'

5 भविष्य के अनुप्रयोग

यह शोध कई क्षेत्रों में व्यावहारिक कार्यान्वयन के लिए महत्वपूर्ण संभावना प्रदर्शित करता है:

• स्मार्ट सिंचाई प्रणालियाँ: रीयल-टाइम जल प्रबंधन के लिए आईओटी-आधारित सिंचाई नियंत्रकों के साथ एकीकरण
• जलवायु परिवर्तन अनुकूलन: सूखा-ग्रस्त क्षेत्रों में बेहतर जल संसाधन योजना
• कृषि प्रौद्योगिकी: छोटे पैमाने के किसानों के लिए मोबाइल एप्लिकेशन का विकास
• जल नीति: जल आवंटन और मूल्य निर्धारण के लिए आंकड़ा-संचालित निर्णय समर्थन

भविष्य के शोध दिशाओं में विभिन्न जलवायु क्षेत्रों में ट्रांसफर लर्निंग, उपग्रह आंकड़ों के साथ एकीकरण और दूरदराज के क्षेत्रों के लिए एज कंप्यूटिंग समाधानों का विकास शामिल है।

6 संदर्भ

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 विशेषज्ञ विश्लेषण