مقایسه عملکرد مدل های درخت گرادیان ارتقاء یافته و مبتنی بر کرنل در برآورد تبخیر روزانه
First Statement of Responsibility
سعید جبارزاده فرنودی
.PUBLICATION, DISTRIBUTION, ETC
Name of Publisher, Distributor, etc.
کشاورزی
Date of Publication, Distribution, etc.
۱۴۰۱
PHYSICAL DESCRIPTION
Specific Material Designation and Extent of Item
۷۳ص.
Accompanying Material
سی دی
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
کارشناسی ارشد
Discipline of degree
علوم و مهندسی آب – گرایش آبیاری و زهکشی
Date of degree
۱۴۰۱/۰۶/۳۰
SUMMARY OR ABSTRACT
Text of Note
پیش¬بینی دقیق تبخیر یک چالش اساسی در مدیریت منابع آب حوضه¬های آبخیز است و مدل¬سازی آن در مناطقی که توزیع مکانی تشت¬های تبخیر مطلوب نیست از اهمیت زیادی برخوردار است. با توجه به تأثیر متقابل پارامترهاي مختلف هواشناسی در محاسبه تبخیر، روابطی غیرخطی که براي تخمین مقدار آن استفاده می¬شود، دقت بالایی ندارند. همچنین به دلیل پیچیدگی تعیین تمام پارامترهای مربوطه و کمبود اطلاعات آماری، مدل¬سازی سیستم¬های هیدرولوژیکی به¬طور کامل غیرممکن است. بنابراین استفاده از روش¬های شبیه¬سازی با به¬کارگیری الگوریتم¬های یادگیری ماشینی و داده¬کاوی ضروری است. مطالعه حاضر با استفاده از داده¬های روزانه شش ایستگاه سینوپتیک شامل ارومیه، اشنویه، بوکان، تکاب، مهاباد و نقده انجام شده است. برای مدلسازی نیز از روش¬های درخت گرادیان ارتقا یافته GBT))و توابع مبتنی بر کرنل شامل رگرسیون بردار پشتیبان (SVR)و رگرسیون فرآیند گاوسی(GPR) استفاده شد. به¬منظور مدل¬سازی مقادیر تبخیر از تشت با استفاده از روش¬های ذکر شده، لازم است به¬منظور تشکیل سناریوهای مدل¬سازی تبخیر، از ضرایب همبستگی پارامترهای هواشناسی شامل دمای متوسط، رطوبت نسبی متوسط، ساعات آفتابی، بارش و سرعت باد با مقادیر تبخیر از تشت در هریک از ایستگاه-های سینوپتیک استفاده شود. نتایج نشان داد در ایستگاه ارومیه به¬طور کلی در هر دو روش SVR و GPR، تابع کرنل PUK بهترین عملکرد را داشته است. همچنین به¬طور کلی دقت تمام سناریوهای تابع کرنل PUK از بقیه توابع کرنل و نیز درخت گرادیان ارتقا یافته بالاتر حاصل شد. در ایستگاه سینوپتیک اشنویه به¬طور کلی در روش GPR، تابع کرنل PUK و در روش SVR، تابع کرنل POLYKERNEL بهترین عملکرد را داشته¬اند. همچنین به¬طور کلی دقت تمام سناریوهای تابع کرنل PUK مربوط به روش GPR از بقیه توابع کرنل هر دو روش GPR و SVR و نیز درخت گرادیان ارتقا یافته بالاتر حاصل شد. در بوکان در هر دو روش SVR و GPR، تابع کرنل PUK بهترین عملکرد را داشته است. همچنین به¬طور کلی دقت تمام سناریوهای تابع کرنل PUK مربوط به روش GPR از بقیه توابع کرنل هر دو روش GPR و SVR و نیز درخت گرادیان ارتقا یافته بالاتر حاصل شد. در تکاب و نقده نیز به¬طور کلی در روش GPR، تابع کرنل PUK و در روش SVR، تابع کرنل RBF KERNEL بهترین عملکرد را داشته¬اند. در مهاباد نیز به¬طور کلی در روش GPR، تابع کرنل PUK و در روش SVR، تابع کرنل RBF KERNEL بهترین عملکرد را داشته¬اند.
Text of Note
Accurate prediction of evaporation is a fundamental challenge in the management of water resources in watersheds, and its modeling is very important in areas where the spatial distribution of evaporation pans is not favorable. Due to the mutual effect of different meteorological parameters in the calculation of evaporation, non-linear relationships that are used to estimate its value are not very accurate. Also, due to the complexity of determining all relevant parameters and the lack of statistical information, it is completely impossible to model hydrological systems. Therefore, it is necessary to use simulation methods using machine learning and data mining algorithms. The present study was conducted using daily data from six synoptic stations, including Urmia, Oshnavieh, Bukan, Takab, Mahabad, and Naqdeh. Gradient boosted tree(GBT) methods and kernel-based functions, including support vector regression(SVR) and Gaussian process regression(GPR), were used for modeling. In order to model the pan evaporation values by using the mentioned methods in each of the synoptic stations, it is necessary to form the evaporation modeling scenarios from the correlation coefficients of meteorological parameters including average temperature, average relative humidity, sunny hours, precipitation and wind speed and pan evaporation values. The results showed that in Urmia station, PUK kernel function performed best in both SVR and GPR methods. Also, in general, the accuracy of all scenarios of the PUK kernel function was higher than the rest of the kernel functions and the gradient boosted tree. In Oshnavieh synoptic station, PUK kernel function and POLYKERNEL kernel function performed best in GPR method and in SVR method. Also, in general, the accuracy of all scenarios of PUK kernel function related to GPR method was higher than the other kernel functions of both GPR and SVR methods, as well as the gradient boosted tree. In Bukan, in both SVR and GPR methods, the PUK kernel function performed best. Also, in general, the accuracy of all scenarios of PUK kernel function related to GPR method was higher than the other kernel functions of both GPR and SVR methods, as well as the gradient boosted tree. In Takab and Naqadeh, PUK kernel function and RBF KERNEL function have performed best in GPR method and in SVR method. In Mahabad, in general, PUK kernel function and RBF KERNEL function performed best in GPR method and SVR method.
OTHER VARIANT TITLES
Variant Title
Comparison of the Performance of Gradient Boosted Tree and Kernel-based Models in Estimating Daily Evaporation