برآورد تبخیر و تعرق مرجع با استفاده از داده های سنجش از دور در دشت همدان بهار

باتوجه به افزایش تولید محصولات کشاورزی و همچنین وقوع خشکسالی مکرر در بسیاری از مناطق جهان، نیاز شدید به برآورد دقیق تری از میزان آب مصرفی گیاهان و درنتیجه برآورد دقیق تبخیر و تعرق مرجع احساس می شود. معادله پنمن مانتیث فایو برای برآورد تبخیر و تعرق مرجع به عنوان روشی استاندارد در بسیاری از تحقیقات معرفی شده است. از معایب اصلی این روش به صورت نقطه ای و دردسترس بودن داده های هواشناسی در مکان های خاص می باشد. درحالی که با استفاده از داده های سنجش ازدور می توان این مشکل را برطرف نمود. در این پژوهش، هدف اصلی ترکیب داده های سنجش ازدور با مدل-های یادگیری ماشین برای برآورد تبخیر و تعرق مرجع است. با استفاده از مدل های یادگیری ماشین، چالش های انتخاب بهترین مدل ممکن، متغیرهای ورودی مدل و دردسترس بودن داده های موردنیاز ایجاد می شود؛ بنابراین در این پژوهش مدل-های مطرح RF، GBR و SVR انتخاب و از داده های تصاویر لندست و شاخص های پوشش گیاهی استفاده شد. منطقه موردمطالعه، دشت همدان بهار واقع در مناطق غربی کشور است. در این پژوهش برای برآورد تبخیر و تعرق مرجع، از دو رویکرد استفاده شد که در رویکرد اول، متغیرهای ورودی مدل ها با مقادیر همه باندهای تصاویر لندست، درحالی که در رویکرد دوم، شاخص های پوشش گیاهی به عنوان ورودی مدل معرفی و استفاده شد. مدل RF با شاخص های پوشش گیاهی، نتایج آماری برابر با (%14.1=RMSE و %76.4=R2) داشت، درحالی که با استفاده از همه باندهای لندست (%11.7=RMSE و %84.1=R2) و همچنین در مقایسه با الگوریتم های دیگر، با مقداری دقت بیشتر تبخیر و تعرق مرجع را برآورد کرد. نتایج، بیان کننده توانایی و پتانسیل شاخص های پوشش گیاهی به تنهایی و تصاویر لندست در تهیه اطلاعات لازم برای مدیریت آبیاری در کشاورزی و همچنین توانایی الگوریتم های یادگیری ماشین در برآورد پارامترهایی نظیر تبخیر و تعرق مرجع می-باشد.