تبخیر و تعرق یکی از مهمترین پارامترهای مؤثر در اعمال صحیح مدیریت منابع آب بوده و روشهای متعدد مستقیم و غیرمستقیمی برای اندازهگیری آن وجود دارد. این روشها اصولاً وقتگیر، پرهزینه و نیازمند دادههای هواشناسی زیادی هستند. هدف از اجرای این تحقیق، محاسبۀ تبخیر و تعرق گیاه مرجع در دشت سیستان با استفاده از الگوریتمهای فراابتکاری است. الگوریتمهای فراابتکاری از جمله روشهای برآورد با دقت و سرعت بالا بدون نیاز به حجم زیادی داده است و تاکنون مطالعات فراوانی در خصوص ارائۀ روشهای تخمین تبخیر- تعرق گیاه مرجع (ET0) با استفاده از سیستمهای هوشمند صورت گرفته است. ﺑﻪ این ﻣﻨﻈﻮر، در اﻳﻦ ﭘﮋوﻫﺶ ﺑﻪ ﺑﺮرﺳﻲ اﻣﻜﺎن ﭘﻴﺶﺑﻴﻨﻲ اﻳﻦ ﻣؤلفۀ ﻣﻬﻢ در شمال استان سیستان و بلوچستان ﺑﺎ اﺳﺘﻔﺎده از ﻣﺪلﻫﺎی برنامهریزی بیان ژن و یادگیری عمیق ﭘﺮداﺧﺘﻪ ﺷﺪ. اﺑﺘﺪا ﺑﺮ اﺳﺎس رابطۀ 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، رطوبت نسبی حداکثر، رطوبت نسبی حداقل، رطوبت نسبی میانگین، ساعات آفتابی، سرعت باد، بارش و تبخیر از تشت در طول دورۀ آماری 1388 تا ۱۳۹۶ ﻣﺤﺎﺳﺒﻪ شد. با ارائۀ 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 مقایسۀ نتایج آنها با نتایج روش فائو- پنمن- مانتیث بهعنوان روش مبنا ارزیابی شد و اﻳﻦ ﻣﻘﺎدﻳﺮ ﺑﻪﻋﻨﻮان ﻣﺮﺟﻊ ﺑﺮای ﻣﻘﺎیسۀ ﻧﺘﺎﻳﺞ ﻣﺪلﻫﺎی ﻣﻮرد ﻣﻄﺎﻟﻌﻪ در ﺗﺤﻘﻴﻖ اﺳﺘﻔﺎده ﮔﺮدﻳﺪ. مقایسۀ 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. نتیجۀ کلی این تحقیق، توصیۀ کاربرد مدل یادگیری عمیق برای برآورد تبخیر و تعرق منطقه سیستان است.
نوع مطالعه:
كاربردي |
موضوع مقاله:
مدیریت منابع آب دریافت: 1399/10/1 | پذیرش: 1400/2/21 | انتشار: 1401/2/7
ارسال پیام به نویسنده مسئول