نشریه مهندسی اکوسیستم بیابان

تبخیر و تعرق یکی از مهمترین پارامترهای موثر در اعمال صحیح مدیریت منابع آب بوده و روش­های متعدد مستقیم و غیرمستقیمی جهت اندازه­گیری آن وجود دارد. این روش­ها اصولا وقت­گیر، پرهزینه و نیازمند داده­های هواشناسی زیادی می­باشند. هدف از اجرای این تحقیق، محاسبه تبخیر و تعرق گیاه مرجع در دشت سیستان با استفاده از الگوریتم­های فراابتکاری می­باشد. الگوریتم­های فراابتکاری ازجمله روش­های برآورد با دقت و سرعت بالا بدون نیاز به حجم زیادی داده می­باشد وتاکنون مطالعات زیادی در خصوص ارائه روش های تخمین تبخیر- تعرق گیاه مرجع (ET0) با استفاده از سیستم های هوشمند صورت گرفته است. ﺑﻪ این ﻣﻨﻈﻮر، در اﻳﻦ ﭘﮋوﻫﺶ ﺑﻪ ﺑﺮرﺳﻲ اﻣﻜﺎن ﭘﻴﺶﺑﻴﻨﻲ اﻳﻦ ﻣﻮﻟﻔﻪی ﻣﻬﻢ در شمال استان سیستان وبلوچستان ﺑﺎ اﺳﺘﻔﺎده از ﻣﺪلﻫﺎی برنامه­ریزی بیان ژن و یادگیری عمیق ﭘﺮداﺧﺘﻪ ﺷﺪ. اﺑﺘﺪا ﺑﺮ اﺳﺎس راﺑﻄﻪی ﻓﺎﺋﻮ ﭘﻨﻤﻦ-ﻣﺎﻧﺘﻴﺚ، ﻣﻴﺰان ﺗﺒﺨﻴﺮ و ﺗﻌﺮق ﭘﺘﺎﻧﺴﻴﻞ روزانه در ایستگاه سینوپتیک زابل ﺑﺎ اﺳﺘﻔﺎده از دادهﻫﺎی ﻫﻮاﺷﻨﺎﺳﻲ روزانه شامل دمای بیشینه، دمای کمینه، دمای میانگین، رطوبت­نسبی حداکثر، رطوبت­نسبی حداقل، رطوبت نسبی میانگین، ساعات آفتابی، سرعت باد، بارش و تبخیر از تشت در طول دوره آماری 1396-1388 ﻣﺤﺎﺳﺒﻪ ﮔﺮدﻳﺪ. با ارائه الگوهای مختلف شامل ترکیبی از پارامترهای هواشناسی به‌عنوان ورودی‌های مدل در مقیاس زمانی روزانه، مقدار تبخیر و تعرق توسط مدل‌های پیشنهادی به‌عنوان خروجی مدل برآورد شد. همچنین قابلیت پیش‌بینی این مدل‌ها، در مقایسه نتایج آنها با نتایج روش فائو-‌ پنمن- مانتیث به‌عنوان روش مبنا ارزیابی شد و اﻳﻦ ﻣﻘﺎدﻳﺮ ﺑﻪ ﻋﻨﻮان ﻣﺮﺟﻊ ﺑﺮای ﻣﻘﺎﻳﺴﻪ ﻧﺘﺎﻳﺞ ﻣﺪلﻫﺎی ﻣﻮرد ﻣﻄﺎﻟﻌﻪ در ﺗﺤﻘﻴﻖ اﺳﺘﻔﺎده ﮔﺮدﻳﺪ. ﻣﻘﺎﻳﺴﻪی ﻧﺘﺎﻳﺞ در ﻣﺪلﻫﺎی ﻣﺨﺘﻠﻒ ﺑﺮ اﺳﺎس آﻣﺎرهﻫﺎی ﺿﺮﻳﺐ ﺗﺒﻴﻴﻦ و ﺟﺬر ﻣﻴﺎﻧﮕﻴﻦ ﻣﺮﺑﻌﺎت ﺧﻄﺎ ﺻﻮرت ﮔﺮﻓﺖ. نتایج نشان داد مدل­های برنامه­ریزی بیان ژن و یادگیری عمیق دارای دقت بالایی در برآورد میزان تبخیر و تعرق بوده و در تمامی سناریوها، مدل یادگیری عمیق از دقت بالاتری نسبت به مدل بیان ژن برخوردار است. در مدل یادگیری عمیق در بین تمامی سناریوها، سناریوی M5 با متغیرهای دمای حداکثر، دمای حداقل، دمای میانگین، رطوبت حداکثر، رطوبت حداقل، رطوبت میانگین، سرعت باد و تبخیر از تشت با کمترین خطا (RMSE=0.517) و بیشترین ضریب تبیین (R²=0.996) و در مدل برنامه­ریزی بیان ژن سناریوی M1 با متغیرهای میانگین دما، دمای کمینه، دمای بیشینه و حداکثر رطوبت با بیشترین ضریب تبیین R²=0.985 و کمترین خطا RMSE=0.985 حائز بیشترین دقت شدند. نتیجه کلی این تحقیق، توصیه کاربرد مدل یادگیری عمیق برای برآورد تبخیر و تعرق منطقه سیستان می­باشد.

واژه‌های کلیدی: تبخیر-تعرق، مدل یادگیری عمیق، مدل GEP

     

---