عنوان

برآورد تبخیر- تعرق مرجع روزانه براساس روش جنگل تصادفی بهینه‌سازی شده با الگوریتم ژنتیک در استان آذربایجان شرقی

شماره

پ۲۵۲۲۸

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

برآورد تبخیر- تعرق مرجع روزانه براساس روش جنگل تصادفی بهینه‌سازی شده با الگوریتم ژنتیک در استان آذربایجان شرقی

نام نخستين پديدآور

ساناز منور سابق

نام ناشر، پخش کننده و غيره

کشاورزی

تاریخ نشرو بخش و غیره

۱۴۰۰

نام خاص و کميت اثر

۸۵ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مدیریت منابع خاک – گرایش فیزیک و حفاظت خاک

زمان اعطا مدرک

۱۴۰۰/۰۶/۳۰

متن يادداشت

تبخیر- تعرق مرجع یک پارامتر مهم در فعل و انفعالات بین خاک، پوشش گیاهی، جو، انرژی سطح و آب است و یکی از پارامتر‌های اساسی در هر منطقه محسوب می‌شود. از طرفي، اندازه‌گیری آن از طریق روش‌های مستقیم، هزینه‌ زیادی می‌طلبد. بنابراین، در پژوهش حاضر تلاش گردید تا با استفاده از مدل‌های یادگیری ماشین، مقدار تبخیر- تعرق مرجع با دقت قابل قبولی تخمین زده شود. بدين منظور، پارامترهاي روزانه برخی متغیرهای هواشناسی بنیادین و اثرگذار بر پديده تبخير- تعرق در دوره آماری 20 ساله (1400-1380) در سه ایستگاه استان آذربايجان شرقي جمع‌آوری شد. سپس، با استفاده از روش جنگل تصادفي (RF) در دو حالت منفرد و استفاده از الگوريتم ژنتيك (GA) براي بهينه‌سازي پارامترهاي مؤثر آن و در نظر گرفتن مدل فائو- پنمن- مانتیث به‌عنوان مبنا، تخمین تبخیر- تعرق مرجع در ایستگاه‌های مورد نظر با واسنجی و صحت‌سنجی مدل‌های یادگیری ماشین مذكور به انجام رسید. در نهايت، با استفاده از معیارهای آماری ضریب همبستگی، شاخص پراکندگی و ضریب ویلموت، روش یادگیری ماشین مناسبی برای برآورد تبخیر- تعرق مرجع معرفی شد. همچنین مناسب‌ترین ترکیب پارامترهای هواشناسی که دقت مناسبی در برآورد تبخیر- تعرق مرجع داشتند، پیشنهاد گردید. نتایج نشان داد که در همه ایستگاه‌های مورد مطالعه سناریو 6 بهترین عملکرد را دارد، چه در حالت جنگل تصادفی منفرد و چه در حالت جنگل تصادفی بهینه‌سازی شده با الگوریتم ژنتیک (GA-RF). پارامترهای هواشناسی این سناریو شامل دمای هوای حداقل و حداکثر، رطوبت نسبی حداقل و حداکثر، ساعات آفتابی و سرعت باد است. با بهینه‌سازی پارامترهای RF-6 با الگوریتم ژنتیک در ایستگاه‌ تبریز ضریب همبستگی از 990/0 به 991/0 افزایش یافت، شاخص پراکندگی از 103/0 به 098/0 کاهش یافت و ضریب ویلموت 995/0 بدون تغییر ماند. در ایستگاه سراب ضریب همبستگی از 980/0 به 982/0 افزایش یافت، شاخص پراکندگی از 140/0 به 132/0 کاهش یافت و ضریب ویلموت 989/0 به 990/0 افزایش یافت. در ایستگاه مراغه ضریب همبستگی از 990/0 به 991/0 افزایش یافت، شاخص پراکندگی از 103/0 به 098/0 کاهش یافت و ضریب ویلموت 995/0 بدون تغییر ماند. در کل از روند کاهشی تغییرات شاخص پراکندگی روش RF از سناریو 1 تا 6 می‌توان چنین برداشت کرد که با افزایش پارامتر‌های دخیل دقت روش جنگل تصادفی افزایش می‌یابد. همچنین شاخص پراکندگی RF-2 با پارامترهای هواشناسی دمای هوا و ساعات آفتابی، کمتر از شاخص پراکندگی RF-3 با پارامترهای دمای هوا و رطوبت نسبی است، بنابراین تابش خورشید نسبت به رطوبت نسبی از اهمیت بیشتری برخوردار است. از میان سه گروه روش‌های تجربی برآورد کننده تبخیر- تعرق مرجع، شامل روش‌های بر پایه دمای هوا، تابش و انتقال جرم، بهترین عملکرد مربوط به روش بلانی-کریدل از گروه روش‌های مبتنی بر دمای هوا می‌باشد. در این پژوهش پارامترهای ورودی هر سناریو برای یادگیری ماشین با پارامترهای ورودی روش‌های تجربی مطابقت دارد و در حالت مقایسه در هر سه ایستگاه، جنگل تصادفی بهینه‌سازی شده با الگوریتم ژنتیک عملکرد بهتری نسبت به روش‌های تجربی نشان می‌دهد. روش بلانی- کریدل و سناریو 5 پارامترهای هواشناسی مشابهی دارند. در ایستگاه تبریز شاخص پراکندگی برای روش بلانی- کریدل 220/0 و برای روش GA-RF-5 107/0، در ایستگاه سراب شاخص پراکندگی برای روش بلانی- کریدل 316/0 و برای روش GA-RF-5 141/0 و در ایستگاه مراغه شاخص پراکندگی برای روش بلانی- کریدل 194/0 و برای روش GA-RF-5 105/0 به‌دست آمده. در همه ایستگاه‌های منتخب، با پارامترهای هواشناسی ورودی یکسان، عملکرد GA-RF دقیق‌تر از روش‌ بلانی- کریدل است. الگوریتم ژنتیک نتایج مثبتی در این تحقیق داشته و کاهش شاخص پراکندگی روش GA-RF سناریوهای 1، 4، 5 و 6 در ایستگاه‌های تبریز و مراغه و نیز سناریوهای 1، 5 و 6 در ایستگاه سراب بیانگر این است که GA تا حدودی سبب بهبود عملکرد RF شده است. در نهایت استفاده از روش‌های جنگل تصادفی و جنگل تصادفی بهینه‌سازی شده با الگوریتم ژنتیک، به‌منظور برآورد دقیقی از تبخیر- تعرق مرجع روزانه در استان آذربایجان شرقی پیشنهاد گردید

متن يادداشت

Reference evapotranspiration (ET0) is an important parameter in the interactions between soil, vegetation, atmosphere, surface energy and water and is one of the basic parameters in any regions. Measuring it through direct methods is expensive. Therefore, in the present study, an attempt was made to estimate the reference evapotranspiration rate with acceptable accuracy using machine learning models. For this purpose, daily parameters of some fundamental and effective meteorological variables on evapotranspiration in the 20-year statistical period (2000-2020) were collected in several stations of East Azerbaijan province. Then, using the random forest (RF) method in two cases; Single random forest and using the genetic algorithm (GA) to optimize its effective parameters with considering the FAO-Penman-Monteith model as a basis, the machine learning models were calibrated and validated for estimating the reference evapotranspiration at the studied stations. Finally, using the statistical criteria of correlation coefficient, scattered index and Wilmot coefficient, a suitable machine learning method was introduced to estimate the reference evapotranspiration. Also, the most suitable combination of meteorological parameters that had good accuracy in estimating reference evapotranspiration was suggested. The obtained results showed that in all the studied stations, scenario 6 has the best performance, either in the case of single random forest or in the case of random forest optimized by genetic algorithm (GA-RF). Meteorological parameters of this scenario include minimum and maximum air temperature, minimum and maximum relative humidity, sunny hours and wind speed. By optimizing the RF-6 parameters with the genetic algorithm at Tabriz station, the correlation coefficient increased from 0.990 to 0.991, the scattered index decreased from 0.103 to 0.098 and the Wilmot coefficient remained unchanged at 0.995. At Sarab station, the correlation coefficient increased from 0.980 to 0.982, the scattered index decreased from 0.140 to 0.132 and the Wilmot coefficient increased from 0.989 to 0.990. At Maragheh station, the correlation coefficient increased from 0.990 to 0.991, the scattered index decreased from 0.103 to 0.098 and the Wilmot coefficient remained unchanged at 0.995. In general, the decreasing trend of the scattered index for RF method from scenarios 1 to 6 can be understood by increasing the input parameters the random forest method. Also, the scattered index of RF-2 with meteorological parameters of air temperature and sunny hours is less scattered than RF-3 with input parameters of air temperature and relative humidity, so sunlight is more important parameter than relative humidity. Among the three groups of experimental methods based on air temperature, radiation and mass transfer for estimating ET0, the best performance was for Blaney-Criddle method based on air temperature.In this research, the input parameters of each scenario for machine learning methods were selected corresponding to the input parameters of experimental methods. In comparison at all three stations, the random forest optimized by the genetic algorithm showed better performance than the experimental methods. Blaney-Criddle method and scenario 5 have similar meteorological parameters. At Tabriz station, the scattered index is 0.20 for Blaney-Criddle method and 0.107 for GA-RF-5 method. At Sarab station, the scattered index is 0.316 for the Blaney-Criddle method and 0.141 for the GA-RF-5 method and at Maragheh station, the scattered index was 0.194 for Blaney-Criddel method and 0.105 for GA-RF-5 method. At all selected stations, with the same input meteorological parameters, the GA-RF performance was more accurate than the Blaney-Criddel method.Genetic algorithm had positive results in this research, reducing scattered index of GA-RF scenarios 1, 4, 5 and 6 in Tabriz and Maragheh stations as well as scenarios 1, 5 and 6 at Sarab station. This indicated that GA improved RF performance. Finally, random forest and optimized random forest by genetic algorithm provided accurate estimates of daily reference evapotranspiration in East Azerbaijan provi

عنوان گونه گون

: Estimation of daily reference evapotranspiration based on random forest method optimized by genetic algorithm in East Azerbaijan province

عنصر شناسه اي

منور سابق

ساير عناصر نام

‏ ساناز

کد نقش

تهيه کننده

عنصر شناسه اي

زارع حقی

عنصر شناسه اي

صمدیان فرد

عنصر شناسه اي

نیشابوری

ساير عناصر نام

‏ داوود

ساير عناصر نام

‏ سعید

ساير عناصر نام

‏ محمدرضا

تاريخ

استاد راهنما

تاريخ

استاد راهنما

تاريخ

استاد مشاور

عنصر شناسه اي

تبریز