مقایسه عملکرد مدل های GLM، RF وDL در برآورد تبخیر-تعرق گیاه مرجع در ایستگاه سینوپتیک زابل

تبخیر- تعرق یکی از مهم ترین اجزای چرخه هیدرولوژی برای برنامه ریزی سیستم های آبیاری و ارزیابی اثرات هیدرولوژی تغییر اقلیم است و تعیین صحیح آن برای بسیاری از مطالعات از قبیل توازن هیدرولوژیکی آب، طراحی شبکه های آبیاری و زهکشی، شبیه سازی میزان محصولات و طراحی و بهینه سازی منابع آب از اهمیت بالایی برخوردار است. خاصیت غیرخطی، عدم قطعیت ذاتی و نیاز به اطلاعات متنوع اقلیمی در برآورد تبخیر وتعرق از دلایلی بوده اند که باعث شده پژوهشگران از روش های مبتنی بر هوش مصنوعی استفاده نمایند. در این تحقیق جهت برآوردی دقیق از مقدار تبخیر-تعرق مرجع روزانه بین سال های 2018-2009 در شهرستان زابل در شمال استان سیستان و بلوچستان ابتدا براساس روش استاندارد و متداول فایو- پنمن- مونتیث و داده های هواشناسی ایستگاه سینوپتیک زابل مقدار تبخیر-تعرق مرجع مرجع ETo  محاسبه و سپس با ارایه سناریوهای مختلفی از ترکیب پارامترهای هواشناسی شامل دمای حداکثر، دمای حداقل، دمای میانگین، رطوبت حداکثر، رطوبت حداقل، رطوبت میانگین، بارش، ساعات آفتابی، سرعت باد و تبخیر به عنوان ورودی مدل های یادگیری عمیق، جنگل تصادفی و مدل خطی تعمیم یافته در مقیاس زمانی روزانه سعی در برآورد دقیق تری از تبخیر- تعرق مرجع به عنوان خروجی مدل شده است. در برآورد تبخیر و تعرق روزانه در مدل های مذکور، 25 سناریو از ترکیب داده های هواشناسی انتخاب گردید و برای ارزیابی مدل ها از  روش فایو-پنمن- مانتیث استفاده شد. دربین سناریوهای مورد بررسی، سناریوی M5 (دمای حداکثر، دمای حداقل، دمای میانگین، رطوبت حداکثر، رطوبت حداقل، رطوبت میانگین، سرعت باد و تبخیر از تشت) برای مدل یادگیری عمیق با ریشه میانگین مربعات خطا (0/517) میلی متر بر روز و بیشترین ضریب همبستگی (9960 بهترین عملکرد را در بین مدل های فوق داشتند. همچنین مدل یادگیری عمیق دقت و پایداری بیشتری نسبت به دیگر مدل ها نشان دادند. بنابراین این تحقیق مدل یادگیری عمیق را برای برآورد تبخیر و تعرق گیاه مرجع در شهر زابل توصیه می کند.