نقش توابع کرنل در افزایش دقت پیش بینی تبخیر روزانه در دو منطقه مرطوب و خشک ایران

تبخیر به عنوان یک عامل کلیدی در مطالعات هیدرولوژیکی، آب و هوایی، مدیریت آب کشاورزی، برنامه ریزی آبیاری و غیره در نظر گرفته می شود. تبخیر به دلیل فعل و انفعالات عوامل مختلف آب و هوایی، یک پدیده پیچیده و غیرخطی است. بنابراین، برای تخمین تبخیر باید از مدل های پیشرفته مانند معادلات تجربی و هوش مصنوعی استفاده کرد. در سال های اخیر، معادلات تجربی به طور گسترده برای تخمین تبخیر استفاده شده است. در این تحقیق عملکرد مدل های رگرسیون فرایند گاوسی (GPR) و رگرسیون ماشین بردار پشتیبان (SVR) در تخمین تبخیر روزانه دو ایستگاه آمل و بم، در بازه زمانی 2020- 2016 ارزیابی شده است. داده های روزانه هواشناسی میانگین دما، رطوبت نسبی، ساعات آفتابی و سرعت باد، به عنوان ورودی مدل های GPR و SVR برای تخمین تبخیر روزانه استفاده شد. در مطالعه حاضر چهار سناریو ترکیبی از پارامترهای هواشناسی به منظور تخمین تبخیر بکار گرفته شدند. نتایج حاصل از مدل های مذکور نشان داد که هر دو مدل GPR و SVR عملکرد قابل قبولی در تخمین تبخیر دارند (ضریب همبستگی حدود 94/0). همچنین با توجه به ارزیابی های انجام شده، مشخص شد که مدل GPR عملکرد بهتری نسبت به مدل SVR داشته است (جذر میانگین مربعات خطا به ترتیب 56/1 و 62/1). در تحقیق حاضر از کرنل PUK به دلیل داشتن دقت بالا، بیشترین ضریب همبستگی و کمترین خطا (94/0 و 84/0) استفاده گردید.