محیط زیست و مهندسی آب

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

اعضای هیات تحریریه

بانک ها و نمایه نامه ها

اطلاعات آماری نشریه

فرایند پذیرش مقالات

پرسش‌های متداول

پیوندهای مفید

اخبار و اعلانات

فرمت مقاله

فرمها و فایلهای لازم

پرداخت هزینه

راهنمای استفاده از سایت مجله

اصول اخلاقی انتشار مقاله

سیاست دسترسی آزاد

اصول بایگانی

ارزیابی راهبرد ترکیب مدل‌های تجربی و مبتنی بر درخت در پیش‌بینی تبخیرتعرق مرجع

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

2 دانشیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

چکیده

در پژوهش حاضر، از سه مدل داده‌محور شامل مدل درختی M5P، REP و جنگل تصادفی در تخمین تبخیر-تعرق مرجع روزانه استفاده شد. توانایی این سه مدل در تخمین تبخیر-تعرق مرجع در حالت منفرد و ترکیبی مورد مطالعه قرار گرفت. به این منظور از داده‌های هواشناسی روزانه پنج ایستگاه هواشناسی در استان کرمان در بازه زمانی 1379 تا 1399 استفاده شد. یک ترکیب از متغیرهای هواشناسی، با استفاده از تحلیل حساسیت در مقابل مقادیر تبخیر-تعرق مرجع حاصل از فائو- پنمن- مونتیث، به‌عنوان ورودی برای هر یک از مدل‌های مذکور در نظر گرفته شد. درنهایت، دقت روش‌های مذکور و روش‌های تجربی در برآورد تبخیر-تعرق گیاه مرجع با استفاده از شاخص‌های آماری مورد مقایسه و مدل برتر انتخاب شد. نتایج در مرحله صحت‌سنجی نشان داد که روش M5P به‌صورت منفرد (083/0 = RSME و 998/0NS =  در ایستگاه بم) و روش میانگین‌گیری وزنی از مدل‌های درختی به‌صورت ترکیبی (RMSE = 0.155 و NS = 0.994 در ایستگاه بم و سیرجان) در همه ایستگاه‌های مورد مطالعه نتایج بهتری در تخمین مقادیر تبخیر-تعرق مرجع داشته‌اند. در حالت کلی، مدل‌های درختی به‌خصوص M5P، در مقایسه با مدل‌های تجربی نتایج بهتری در تخمین مقادیر تبخیر-تعرق روزانه گیاه داشته‌اند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Evaluating the Strategy of Ensemble Empirical and Tree-Based Methods in Estimating Reference Evapotranspiration

نویسندگان [English]

  • Fatemeh Mikaeili 1
  • Saeed Samadianfard 2
  • Reza Delirhasannia 2

1 M.S student, Department of Water Engineering, Faculty of Agriculture, University of Tabriz, Tabriz, Iran

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

چکیده [English]

In the present research, three data-driven models including M5P, REP tree, and random forest were used to estimate daily reference evapotranspiration. The abilities of these three models to estimate reference evapotranspiration were studied in single and combined modes. To this end, the daily meteorological data of five synoptic stations in Kerman province in the period from 2000 to 2020 were used. A combination of meteorological variables, using sensitivity analysis versus the reference evapotranspiration values ​​obtained from FAO-Penman-Monteith, was considered as input for each of the mentioned models. Finally, the accuracy of the mentioned models and empirical methods in estimating the evapotranspiration of the reference plant were compared using statistical indicators, and the superior model was selected. The results of validation data showed that the M5P model in the form of individually (RMSE = 0.083 and NS = 0.998 in Bam station) and the weighted averaging in the form of the ensemble (RMSE = 0.155 and NS = 0.994 in Bam and Sirjan stations) in all stations had better results for estimating evapotranspiration rates than other methods. In general, tree models, especially M5P, had better results in estimating daily evapotranspiration than empirical models.

کلیدواژه‌ها [English]

  • Combined method
  • Hargreaves-Samani
  • Kerman
  • Random forest
  • Sensitivity analysis
مراجع
Allen, R. G., Pereira, L. S., Raes, D. and Smith, M. (1998). Crop evapotranspiration- guidelines for computing crop water requirements. Irrig. Drain Paper no. 56, FAO, Rome, Italy.
Ayaz, A., Rajesh, M., Kumar Singh, S. and Shaik Rehana. (2021). Estimation of reference evapotranspiration using machine learning models with limited data. AIMS Geosci., 7(3), 268–290. DOI: 10.3934/geosci.2021016
Bidabadi, M., Babazadeh, H., Shiri, J. and Saremi, A. (2021). Estimation of reference crop evapotranspiration using ANN and ANFIS in arid and semi-arid climates. Irrig. Drain., 15(6), 1412-1420. DOI: 20.1001.1.20087942.1400.15.6.15.5  [In Persian].
Breiman, L. (2001). Random forests. Machine Learn., 45(1), 5–32.
Djaman, K., Balde, A. B., Sow, A., Muller, B., Irmak, S., N'Diaye, M. K., Manneh, B., Moukoumbi, Y. D., Futakuchi, K. and Saito, K. (2015). Evaluation of sixteen reference evapotranspiration methods under Sahelian conditions in the Senegal River Valley. J. Hydrol. Reg., 3, 139-159. DOI: 10.1016/j.ejrh.2015.02.002
Farzanpour, H., Shiri, J., Sadraddini, A. A. and Trajkovic, S. (2019). Global comparison of 20 reference evapotranspiration equations in a semi-arid region of Iran. Hydrol. Curr. Res. 50(1), 282–300.
Granata, F. (2019). Evapotranspiration evaluation models based on machine learning algorithms- A comparative study. Agric. Water Manag., 217, 303-315. DOI: 10.1016/j.agwat.2019.03.015
Huang, G., Wu, L., Ma, X., Zhang, W., Fan, J., Yu, X., Zeng, W. and Zhou, H. (2019). Evaluation of CatBoost method for prediction of reference evapotranspiration in humid regions. J. Hydrol. 574: 1029–1041. DOI: 10.1016/j.jhydrol.2019.04.085
Karimi, S., Shiri, J. and Martic, P. (2020). Supplanting missing climatic inputs in classical and random forest models for estimating reference evapotranspiration in humid coastal areas of Iran. Comput. Electron. Agric., 176:1-13. DOI: 10.1016/j.compag.2020.105633
Mikaeili, F. and Samadianfard, S. (2022). Application of tree and kernel- based models for estimating daily reference evapotranspiration in humid and arid regions of Iran. Water Sci., 33(2) [In Persian]. DOI: 10.22034/WS.2021.45876.2415
Moratiel, R., Bravo, R., Saa, A., Tarquis, A. M. and Almorox, J. (2019). Estimation of evapotranspiration by FAO Penman- Monteith Temperature and Hargreaves-Samani models under temporal and spatial criteria. A case study in Duero Basin (Spain). Nat. Hazards Earth Syst. Sci., 20(3), 859–875. DOI: 10.5194/nhess-20-859-2020
Muhammad, M., Nashwan, M. S., Shahid, S., Ismail, T., Hoon Song, Y. and Chung, E. (2019). Evaluation of empirical reference evapotranspiration models using compromise programming: A case study of Peninsular Malaysia. Sustain,.11(16), 4267. DOI: 10.3390/su11164267
Nourani, V., Elkiranb, G. and Abdullahi, J. (2019). Multi-station artificial intelligence based ensemble modeling of reference evapotranspiration using pan evaporation measurements. J. Hydrol., 577, 123958. DOI: 10.1016/j.jhydrol.2019.123958
Qasem, S.N., Samadianfard, S., Sadri Nahand, H., Mosavi, A., Shamshirband, S. and Chau, K. W. (2019). Estimating daily dew point temperature using machine learning algorithms. Water. 11, 582. DOI: 10.3390/w11030582
Rashid Niaghi, A., Hassanijalilian, O. and Shiri, J. (2021). Estimation of reference evapotranspiration using spatial and temporal machine learning approaches. Hydrol. 8(1), 25. DOI: 10.3390/ hydrology8010025
Samadianfard, S. and Panahi, S. (2018). Estimating daily reference evapotranspiration using data mining methods of support vector regression and M5 model tree. J. Watershed Manag. Res., 9(18), 157-167. DOI: 10.29252/jwmr.9.18.157 [In Persian].
Samadianfard, S., Salarifar, M., Javidan, S. and Mikaeili, F. (2020). Estimation of daily reference evapotranspiration in humid climates using data-driven methods of Gaussian process regression, support vector regression and random forest. Environ. Water Eng., 6(4), 360–373. DOI: 10.22034/jewe.2020.241690.1394 [In Persian].
Shiri, J. (2018). Improving the performance of the mass transfer- based reference evapotranspiration estimation approaches through a coupled wavelet random forest methodology. J. Hydrol. Reg. 561, 737-750. DOI: 10.1016/j.jhydrol.2018.04.042
Valle Júnior, L. C. G. D., Vourlitis, G. L., Curado, L. F. A., Palácios, R. D. S., Nogueira, J. D. S., Lobo, F. D. A., Islam, A. R. M. T. and Rodrigues, T. R. (2021). Evaluation of FAO-56 procedures for estimating reference evapotranspiration using missing climatic data for a Brazilian Tropical Savanna. Water, 13, 1763. DOI: 10.3390/w13131763
Wang, S., Lian, J., Peng, Y., Hu. B. and Chen, H. (2019). Generalized reference evapotranspiration models with limited climatic data based on random forest and gene expression programming in Guangxi, China. Agric. Water Manag. 221: 220–230. DOI: 10.1016/j.agwat.2019.03.027
Witten, H. and Frank, E. (2005). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann, Second Edition.
Witten, H., Frank, E., Hall, A. and Pal, J. (2016). Data Mining: Practical Machine Learning Tools and Techniques 4th Edition. Amsterdam, Netherlands: Elsevier.
Yang, Y., Chen, R., Han, C., Liu, Z. and Wang, X. (2022). Optimal selection of empirical reference evapotranspiration method in 36 different agricultural zones of China. Agronomy. DOI: 10.3390/ agronomy12010031
 
محیط زیست و مهندسی آب
دوره 9، شماره 2
تیر 1402
صفحه 256-270
فایل ها
سابقه مقاله
  • تاریخ دریافت: 11 خرداد 1401
  • تاریخ بازنگری: 22 تیر 1401
  • تاریخ پذیرش: 23 تیر 1401
هم رسانی
ارجاع به این مقاله
آمار