Ujifunzaji wa Mashine kwa Kukadiria Uvukizaji wa Maji wa Kumbukumbu kwa Takwimu za Hali ya Hewa Zilizo na Kikomo

Yaliyomo

1 Utangulizi

Makadirio ya uvukizaji wa maji wa kumbukumbu (ETo) ni muhimu kwa upangaji wa umwagiliaji na usimamizi wa rasilimali za maji, hasa katika maeneo yanayokumbwa na ukame kama Morocco. Mlinganyo wa FAO-56 Penman-Monteith, ingawa ni sahihi, unahitaji takwimu nyingi za hali ya hewa ikiwemo joto, unyevu, mionzi ya jua, na kasi ya upepo, na kufanya kuwa vigumu kutumia katika maeneo yenye miundombinu duni ya visensa.

Milinganyo ya jadi ya kihisia kama vile Hargreaves-Samani, Romanenko, na Jensen-Haise inatoa mbinu rahisi lakini hukosa utendaji thabiti katika hali tofauti za hali ya hewa. Utafiti huu unashughulikia mapungufu haya kwa kuchunguza miundo ya ujifunzaji wa mashine ambayo inaweza kufikia makadirio sahihi ya ETo kwa kutumia vigeu vichache vya kuingiza.

2 Mbinu

2.1 Ukusanyaji na Uandaliwaji wa Takwimu

Takwimu za hali ya hewa kutoka kituo kadhaa katika eneo la Meknes zilikusanywa, zikiwemo vipimo vya joto, unyevu, mionzi ya jua, na kasi ya upepo. Uandaliwaji wa takwimu ulihusisha kushughulikia thamani zilizokosekana, kawaida, na ulinganifu wa kitampo kati ya vituo tofauti.

2.2 Miundo ya Ujifunzaji wa Mashine

Miundo mitatu ya ujifunzaji wa mashine ilitekelezwa na kulinganishwa:

• XGBoost: Mfumo wa kuongeza gradient unaojulikana kwa utendaji wa hali ya juu na ufanisi
• Support Vector Machine (SVM): Inafaa kwa kazi za urejeshaji kwa takwimu chache
• Random Forest (RF): Mbinu ya mkusanyiko imara dhidi ya kuzidisha makosa

2.3 Usanidi wa Majaribio

Hali mbili za uthibitishaji zilitekelezwa:

• Hali ya 1: Mgawanyiko wa nasibu wa takwimu zote zilizopo
• Hali ya 2: Kufundisha kwa kituo kimoja, kuthibitisha kwa kingine (uthibitishaji-pembea anga)

3 Matokeo na Majadiliano

3.1 Ulinganisho wa Utendaji

Miundo yote ya ujifunzaji wa mashine ilifanya vizuri kuliko milinganyo ya jadi ya kihisia katika hali zote mbili za uthibitishaji. XGBoost ilionyesha usahihi wa juu zaidi na thamani za R² zikizidi 0.92, ikifuatiwa kwa karibu na Random Forest na SVM.

3.2 Uchambuzi wa Umuhimu wa Vipengele

Joto na mionzi ya jua yalionekana kuwa vipengele muhimu zaidi katika miundo yote. Uchambuzi ulifunua kuwa kwa kutumia vigeu hivi viwili pekee, miundo ya ujifunzaji wa mashine inaweza kufikia 85-90% ya utendaji uliopatikana kwa seti kamili za vigeu.

4 Utekelezaji wa Kiufundi

4.1 Misingi ya Kihisabati

Mlinganyo wa kawaida wa FAO-56 Penman-Monteith hutumika kama kiwango cha kulinganisha:

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

Ambapo $\Delta$ ni mteremko wa mkondo wa shinikizo la mvuke, $R_n$ ni mionzi halisi, $G$ ni mkondo wa joto wa udongo, $\gamma$ ni kiwango cha kisaikolojia, $T$ ni halijoto ya hewa, $u_2$ ni kasi ya upepo, $e_s$ ni shinikizo la mvuke la kujaa, na $e_a$ ni shinikizo halisi la mvuke.

4.2 Utekelezaji wa Msimbo

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)

# Uchaguzi wa vipengele: joto na mionzi ya jua pekee
features = ['temp_max', 'temp_min', 'solar_rad']
target = 'ETo_FAO56'

5 Matumizi ya Baadaye

Utafiti huu unaonyesha uwezo mkubwa wa utekelezaji vitendo katika maeneo kadhaa:

• Mifumo ya Umwagiliaji Smart: Ujumuishaji na vidhibiti vya umwagiliaji vinavyotegemea IoT kwa usimamizi wa maji wa wakati halisi
• Kukabiliana na Mabadiliko ya Tabianchi: Kuboresha upangaji wa rasilimali za maji katika maeneo yanayokumbwa na ukame
• Teknolojia ya Kilimo: Ukuzaji wa programu za rununu kwa wakulima wadogo
• Sera za Maji: Usaidizi wa maamuzi unaotokana na takwimu kwa mgao wa maji na bei

Maelekezo ya utafiti wa baadaye ni pamoja na ujifunzaji wa kuhamisha maarifa katika maeneo tofauti ya hali ya hewa, ujumuishaji na takwimu za satelaiti, na ukuzaji wa suluhisho za kompyuta za makali kwa maeneo ya mbali.

6 Marejeo

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 Uchambuzi wa Mtaalamu