Pembelajaran Mesin untuk Anggaran Evapotranspirasi Rujukan dengan Data Meteorologi Terhad

Kandungan

1 Pengenalan

Anggaran evapotranspirasi rujukan (ETo) adalah penting untuk perancangan pengairan dan pengurusan sumber air, terutamanya di kawasan yang terdedah kepada kemarau seperti Maghribi. Persamaan FAO-56 Penman-Monteith, walaupun tepat, memerlukan data meteorologi yang luas termasuk suhu, kelembapan, sinaran suria dan kelajuan angin, menjadikannya tidak praktikal untuk kawasan dengan infrastruktur sensor yang terhad.

Persamaan empirikal tradisional seperti Hargreaves-Samani, Romanenko dan Jensen-Haise menawarkan pendekatan yang dipermudahkan tetapi mengalami variasi prestasi merentasi keadaan iklim yang berbeza. Penyelidikan ini menangani batasan ini dengan meneroka model pembelajaran mesin yang boleh mencapai anggaran ETo yang tepat dengan parameter input yang minimum.

2 Metodologi

2.1 Pengumpulan dan Pra-pemprosesan Data

Data meteorologi dari beberapa stesen di wilayah Meknes telah dikumpulkan, termasuk ukuran suhu, kelembapan, sinaran suria dan kelajuan angin. Pra-pemprosesan data melibatkan pengendalian nilai yang hilang, penormalan dan penyelarasan temporal merentasi stesen yang berbeza.

2.2 Model Pembelajaran Mesin

Tiga model pembelajaran mesin telah dilaksanakan dan dibandingkan:

• XGBoost: Rangka kerja gradient boosting yang terkenal dengan prestasi dan kecekapan tinggi
• Support Vector Machine (SVM): Berkesan untuk tugas regresi dengan data terhad
• Random Forest (RF): Kaedah ensemble yang teguh terhadap overfitting

2.3 Persediaan Eksperimen

Dua senario pengesahan telah dilaksanakan:

• Senario 1: Pembahagian rawak semua data yang tersedia
• Senario 2: Latihan di satu stesen, pengesahan di stesen lain (pengesahan silang spatial)

3 Keputusan dan Perbincangan

3.1 Perbandingan Prestasi

Semua model pembelajaran mesin mengatasi persamaan empirikal tradisional dalam kedua-dua senario pengesahan. XGBoost menunjukkan ketepatan tertinggi dengan nilai R² melebihi 0.92, diikuti rapat oleh Random Forest dan SVM.

3.2 Analisis Kepentingan Ciri

Suhu dan sinaran suria muncul sebagai ciri paling kritikal merentasi semua model. Analisis mendedahkan bahawa dengan hanya dua parameter ini, model pembelajaran mesin boleh mencapai 85-90% daripada prestasi yang diperoleh dengan set parameter penuh.

4 Pelaksanaan Teknikal

4.1 Formulasi Matematik

Persamaan piawai FAO-56 Penman-Monteith berfungsi sebagai penanda aras:

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

Di mana $\Delta$ ialah kecerunan lengkung tekanan wap, $R_n$ ialah sinaran bersih, $G$ ialah fluks haba tanah, $\gamma$ ialah pemalar psikrometrik, $T$ ialah suhu udara, $u_2$ ialah kelajuan angin, $e_s$ ialah tekanan wap tepu dan $e_a$ ialah tekanan wap sebenar.

4.2 Pelaksanaan Kod

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)

# Pemilihan ciri: hanya suhu dan sinaran suria
features = ['temp_max', 'temp_min', 'solar_rad']
target = 'ETo_FAO56'

5 Aplikasi Masa Depan

Penyelidikan ini menunjukkan potensi signifikan untuk pelaksanaan praktikal dalam beberapa bidang:

• Sistem Pengairan Pintar: Integrasi dengan pengawal pengairan berasaskan IoT untuk pengurusan air masa nyata
• Adaptasi Perubahan Iklim: Perancangan sumber air yang lebih baik di kawasan yang terdedah kepada kemarau
• Teknologi Pertanian: Pembangunan aplikasi mudah alih untuk petani berskala kecil
• Dasar Air: Sokongan keputusan berasaskan data untuk peruntukan dan penetapan harga air

Arah penyelidikan masa depan termasuk pembelajaran pindah merentasi zon iklim yang berbeza, integrasi dengan data satelit dan pembangunan penyelesaian pengkomputeran edge untuk kawasan terpencil.

6 Rujukan

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 Analisis Pakar