نوع مقاله : مقاله پژوهشی

نویسندگان

• میلاد شرفی ¹
• سعید صمدیان فرد ²

¹ دانشجوی کارشناسی ارشد آبیاری و زهکشی، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران

² استادیار بخش گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

چکیده

تبخیر به عنوان یک عامل کلیدی در مطالعات هیدرولوژیکی، آب و هوایی، مدیریت آب کشاورزی، برنامه‌ریزی آبیاری و غیره در نظر گرفته می‌شود. تبخیر به دلیل فعل و انفعالات عوامل مختلف آب و هوایی، یک پدیده پیچیده و غیرخطی است. بنابراین، برای تخمین تبخیر باید از مدل‌های پیشرفته مانند معادلات تجربی و هوش مصنوعی استفاده کرد. در سال‌های اخیر، معادلات تجربی به طور گسترده‌ برای تخمین تبخیر استفاده شده است. در این تحقیق عملکرد مدل‌های رگرسیون فرایند گاوسی (GPR) و رگرسیون ماشین بردار پشتیبان (SVR) در تخمین تبخیر روزانه دو ایستگاه آمل و بم، در بازه زمانی 2020- 2016 ارزیابی شده است. داده‌های روزانه هواشناسی میانگین دما، رطوبت نسبی، ساعات آفتابی و سرعت باد، به ‌عنوان ورودی مدل‌های GPR و SVR برای تخمین تبخیر روزانه استفاده شد. در مطالعه حاضر چهار سناریو ترکیبی از پارامترهای هواشناسی به ‌منظور تخمین تبخیر بکار گرفته شدند. نتایج حاصل از مدل‌های مذکور نشان داد که هر دو مدل GPR و SVR عملکرد قابل قبولی در تخمین تبخیر دارند (ضریب همبستگی حدود 94/0). همچنین با توجه به ارزیابی‌های انجام‌شده، مشخص شد که مدل GPR عملکرد بهتری نسبت به مدل SVR داشته است (جذر میانگین مربعات خطا به ترتیب 56/1 و 62/1). در تحقیق حاضر از کرنل PUK به دلیل داشتن دقت بالا، بیشترین ضریب همبستگی و کمترین خطا (94/0 و 84/0) استفاده گردید.

کلیدواژه‌ها

• تخمین تبخیر
• رگرسیون فرایند گاوسی
• رگرسیون ماشین بردار پشتیبان
• آمل
• بم

عنوان مقاله [English]

The role of kernel functions in increasing the accuracy of daily evaporation prediction in wet and dry regions of Iran

نویسندگان [English]

• Milad Sharafi ¹
• Saeed Samadian Fard ²

¹ Master Student of Irrigation and Drainage, Faculty of Agriculture, Urmia University, Urmia, Iran

² Assistant Professor, Department of Water Engineering, Faculty of Agriculture, University of Tabriz, Tabriz, Iran

چکیده [English]

Evaporation is considered as a key factor in hydrological, climatic, agricultural water management, irrigation planning, etc. studies. Evaporation is a complex and nonlinear phenomenon due to the interactions of various climatic factors. Therefore, advanced models such as experimental equations and artificial intelligence should be used to estimate evaporation. In recent years, experimental equations have been widely used to estimate evaporation. In this study, the performance of Gaussian process regression (GPR) and support vector machine regression (SVR) models in estimating the daily evaporation of Amol and Bam stations in the period 2020-2016 has been evaluated.Daily meteorological data on mean temperature, relative humidity, sunshine hours and wind speed were used as input of GPR and SVR models to estimate daily evaporation. In the present study, four combined scenarios of meteorological parameters were used to estimate evaporation. The results of the mentioned models showed that both GPR and SVR models have acceptable performance in estimating evaporation (correlation coefficient about 0.94). Also, according to the evaluations, it was found that the GPR model had a better performance than the SVR model (root mean square error of 1.56 and 1.62, respectively). In the present study, the PUK kernel was used due to its high accuracy, highest correlation coefficient and lowest error (0.94 and 0.84).

کلیدواژه‌ها [English]

• Evaporation estimation
• Gaussian process regression
• Support vector machine regression
• Amol
• Bam