برآورد تبخیر-تعرق روزانه و هفتگی با استفاده از رویکردهای ترکیبی محاسبات نرم

از آنجا که بخش بسیار بزرگی از آب در دسترس به واسطه تبخیر-تعرق تلف می شود، برآورد دقیق آن در دوره های زمانی کوتاه مدت و بلندمدت حایز اهمیت می باشد. در این مقاله قابلیت رویکرد مدل درخت M5 و جنگل تصادفی (RF) به عنوان رویکردهای هوش مصنوعی و همچنین در ترکیب با فرآیند پیش پردازشگر موجک، جهت برآورد تبخیر-تعرق پتانسیل روزانه و هفتگی در ایستگاه سینوپتیک بابلسر بررسی گردید. با توجه به ساختار سری زمانی داده های ورودی، دو تابع موجک مادر کویفلت و دوبشی مرتبه ششم در سطوح تجزیه 3 تا 8 انتخاب شدند. به منظور ارزیابی مدل های ارایه شده از چهار شاخص ضریب همبستگی (R)، شاخص توافق (Ia)، ضریب ناش-ساتکلیف (NSE) و جذر متوسط مربعات خطا (RMSE) استفاده شد. نتایج حاصل از این پژوهش نشان داد که با وجود این که کلیه مدل های منفرد، کارایی مطلوبی در مدلسازی تبخیر-تعرق دارند، استفاده از فرآیند پیش پردازش موجک، در تمامی موارد موجب ارتقای عملکرد مدل های منفرد شده و همچنین باعث می شود تا سناریوهای ورودی ساده تر هم نتایج مطلوب تری ارایه کنند. به عنوان مثال در سناریوی ورودی سوم (سرعت باد، دمای حداکثر، رطوبت نسبی و نقطه شبنم) استفاده از موجک دوبشی مرتبه ششم در سطح تجزیه 5 موجب شد تا ضریب همبستگی مدل روزانه از 0.908 به 0.928 ارتقا یافته و همزمان RMSE از 0.833 به 0.722 میلی متر در روز کاهش یابد. به طور مشابه استفاده از موجک مادر کویفلت مرتبه چهارم در سطح تجزیه 5 موجب شد تا در مدل هفتگی ضریب همبستگی از 0.948 به 0.961 افزایش یافته و میزان RMSE از 4.55 به 4 میلی متر در هفته کاهش یابد. از این رو این تحقیق، کارایی رضایتبخش هر دو رویکرد منفرد و ترکیبی در برآورد تبخیر-تعرق دوره های زمانی روزانه و هفتگی را نشان داد، با این وجود کاربرد رویکردهای ترکیبی موجب شد تا استفاده از پارامترهای هواشناسی ساده تر و در دسترس تر هم نتایج رضایتبخشی را ارایه کند.