Sınırlı Meteorolojik Verilerle Referans Evapotranspirasyon Tahmini için Makine Öğrenmesi

İçindekiler

1 Giriş

Referans evapotranspirasyon (ETo) tahmini, özellikle Fas gibi kuraklığa eğilimli bölgelerde sulama planlaması ve su kaynakları yönetimi için hayati öneme sahiptir. FAO-56 Penman-Monteith denklemi, doğru olmakla birlikte, sıcaklık, nem, güneş radyasyonu ve rüzgar hızı dahil kapsamlı meteorolojik veriler gerektirir ve bu da sensör altyapısı sınırlı bölgelerde pratik olmamasına neden olur.

Hargreaves-Samani, Romanenko ve Jensen-Haise gibi geleneksel ampirik denklemler basitleştirilmiş yaklaşımlar sunar ancak farklı iklim koşullarında performans değişkenliğinden muzdariptir. Bu araştırma, minimum girdi parametreleriyle doğru ETo tahmini yapabilen makine öğrenmesi modellerini keşfederek bu sınırlamaları ele almaktadır.

2 Metodoloji

2.1 Veri Toplama ve Ön İşleme

Meknes bölgesindeki birden fazla istasyondan sıcaklık, nem, güneş radyasyonu ve rüzgar hızı ölçümlerini içeren meteorolojik veriler toplanmıştır. Veri ön işleme, eksik değerlerin ele alınması, normalizasyon ve farklı istasyonlar arasında zamansal hizalama işlemlerini içermiştir.

2.2 Makine Öğrenmesi Modelleri

Üç makine öğrenmesi modeli uygulanmış ve karşılaştırılmıştır:

• XGBoost: Yüksek performans ve verimlilikle bilinen gradyan güçlendirme çerçevesi
• Destek Vektör Makinesi (SVM): Sınırlı veriyle regresyon görevleri için etkili
• Random Forest (RF): Aşırı uyuma karşı dayanıklı topluluk yöntemi

2.3 Deneysel Kurulum

İki doğrulama senaryosu uygulanmıştır:

• Senaryo 1: Tüm mevcut verilerin rastgele bölünmesi
• Senaryo 2: Bir istasyonda eğitim, başka bir istasyonda doğrulama (mekansal çapraz doğrulama)

3 Sonuçlar ve Tartışma

3.1 Performans Karşılaştırması

Tüm makine öğrenmesi modelleri, her iki doğrulama senaryosunda da geleneksel ampirik denklemleri geride bırakmıştır. XGBoost, R² değerleri 0.92'yi aşarak en yüksek doğruluğu göstermiş, onu yakından Random Forest ve SVM takip etmiştir.

3.2 Özellik Önem Analizi

Sıcaklık ve güneş radyasyonu tüm modellerde en kritik özellikler olarak öne çıkmıştır. Analiz, sadece bu iki parametreyle makine öğrenmesi modellerinin tam parametre setleriyle elde edilen performansın %85-90'ına ulaşabildiğini ortaya koymuştur.

4 Teknik Uygulama

4.1 Matematiksel Formülasyonlar

Standart FAO-56 Penman-Monteith denklemi kıyaslama ölçütü olarak kullanılmıştır:

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

Burada $\Delta$ buhar basıncı eğrisinin eğimi, $R_n$ net radyasyon, $G$ toprak ısı akısı, $\gamma$ psikrometrik sabit, $T$ hava sıcaklığı, $u_2$ rüzgar hızı, $e_s$ doygun buhar basıncı ve $e_a$ gerçek buhar basıncıdır.

4.2 Kod Uygulaması

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)

# Özellik seçimi: sadece sıcaklık ve güneş radyasyonu
features = ['temp_max', 'temp_min', 'solar_rad']
target = 'ETo_FAO56'

5 Gelecek Uygulamalar

Araştırma, birkaç alanda pratik uygulama için önemli potansiyel göstermektedir:

• Akıllı Sulama Sistemleri: Gerçek zamanlı su yönetimi için IoT tabanlı sulama kontrolörleriyle entegrasyon
• İklim Değişikliğine Uyum: Kuraklığa eğilimli bölgelerde iyileştirilmiş su kaynakları planlaması
• Tarım Teknolojisi: Küçük ölçekli çiftçiler için mobil uygulama geliştirme
• Su Politikası: Su tahsisi ve fiyatlandırması için veriye dayalı karar destek

Gelecek araştırma yönleri arasında farklı iklim bölgeleri arasında transfer öğrenme, uydu verileriyle entegrasyon ve uzak bölgeler için uç bilgi işlem çözümleri geliştirme bulunmaktadır.

6 Referanslar

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 Uzman Analizi