| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,227 |
| تعداد مقالات | 35,745 |
| تعداد مشاهده مقاله | 53,901,636 |
| تعداد دریافت فایل اصل مقاله | 93,103,721 |
ارزیابی و بهبود برآورد تبخیر–تعرق مرجع در شرایط محدودیت دادههای هواشناسی با استفاده از الگوریتم جنگل تصادفی | ||
| پژوهش آب در کشاورزی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 17 شهریور 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/jwra.2026.372732.1115 | ||
| نویسندگان | ||
| محمد علی غلامی سفیدکوهی* 1؛ فاطمه جعفری2؛ هما نوغانکار3 | ||
| 1دانشگاه علوم کشاورزی و منابع طبیعی ساری | ||
| 2پژوهشگر پسادکتری علوم و مهندسی آب، گروه مهندسی آب، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری | ||
| 3دکتری علوم و مهندسی آب، شرکت سهامی آب منطقهای مازندران. | ||
| چکیده | ||
| تبخیر–تعرق مرجع یکی از مهمترین مؤلفههای چرخه هیدرولوژیکی است که نقش کلیدی در مدیریت منابع آب، برنامهریزی آبیاری و ارزیابی توازن آبی دارد. با این حال، محدودیت دادههای هواشناسی در بسیاری از مناطق، استفاده از روشهای دقیق مانند فائو پنمن–مانتیث را با چالش مواجه کرده است. در این مطالعه، امکان بهبود برآورد تبخیر–تعرق مرجع در شرایط داده محدود با استفاده از الگوریتم یادگیری ماشین مورد بررسی قرار گرفت. در این پژوهش، دادههای 17 ایستگاه هواشناسی استان مازندران طی سالهای 25-2000 مورد استفاده قرار گرفت. ابتدا تبخیر–تعرق مرجع با روش استاندارد فائو پنمن–مانتیث و هشت روش تجربی در چهار گروه دمامحور، تابشمحور و رطوبتمحور محاسبه شد. سپس الگوریتم جنگل تصادفی با استفاده از ترکیبهای مختلف متغیرهای هواشناسی و مدل رقومی ارتفاع (DEM) برای برآورد تبخیر–تعرق آموزش داده شد. عملکرد مدلها با استفاده از شاخصهای RMSE، MBE، NS و d ارزیابی شد. نتایج نشان داد روشهای تابشمحور تمایل به بیشبرآوردی و روشهای دمامحور تمایل به کمبرآوردی تبخیر–تعرق مرجع دارند. در مقابل، مدل جنگل تصادفی در تمامی سناریوها عملکرد بهتری نسبت به روشهای تجربی ارائه داد. بیشترین دقت مربوط به سناریوی تابشمحور همراه با DEM (RF3) بود که مقدار NS برابر با 99/0را نشان داد. همچنین نتایج بیانگر کاهش خطای سیستماتیک و افزایش سازگاری مدلهای دادهمحور با داده مرجع بود. بهطور کلی، نتایج این پژوهش نشان میدهد که استفاده از الگوریتمهای یادگیری ماشین، بهویژه جنگل تصادفی، میتواند در شرایط محدودیت داده، دقت برآورد تبخیر–تعرق مرجع را بهطور قابل توجهی افزایش دهد و بهعنوان جایگزینی مناسب برای روشهای تجربی در مناطق دارای ناهمگنی اقلیمی مورد استفاده قرار گیرد. | ||
| کلیدواژهها | ||
| تابشمحور؛ فائو پنمن-مانتیث؛ دمامحور؛ رطوبتمحور؛ مدل رقومی ارتفاع؛ مدلهای تجربی | ||
| عنوان مقاله [English] | ||
| Assessment and Enhancement of Reference Evapotranspiration Estimation under Data-Scarce Conditions Using Random Forest | ||
| نویسندگان [English] | ||
| Mohammad Ali Gholami Sefidkouhi1؛ Fatemeh Jafari2؛ Homa Noghankar3 | ||
| 1Water Engineering, SANRU | ||
| 2Post-Doc of Water Sciences and Engineering, Water Engineering Department, Crop Engineering Faculty, Sari Agricultural Sciences and Natural Researches University (SANRU). | ||
| 3Ph.D. of Water Sciences and Engineering, Regional Water Company of Mazandaran | ||
| چکیده [English] | ||
| Reference evapotranspiration (ET₀) is a key component of the hydrological cycle and plays a critical role in water resources management, irrigation planning, and water balance assessment. However, the limited availability of meteorological data in many regions restricts the application of standard methods such as the FAO Penman–Monteith model. This study aims to improve ET₀ estimation under data-scarce conditions using a machine learning approach. Daily data from 17 synoptic stations in Mazandaran Province (2000–2025) were used. ET₀ was first calculated using the FAO Penman–Monteith method and eight empirical models categorized into temperature-based, radiation-based, and humidity-based groups. A Random Forest (RF) model was then developed using different combinations of meteorological variables along with a Digital Elevation Model (DEM). Model performance was evaluated using RMSE, MBE, Nash–Sutcliffe efficiency (NS), and Willmott’s index of agreement (d). Results indicated that radiation-based models tend to overestimate ET₀, while temperature-based models generally underestimate it compared to the reference method. In contrast, the RF model outperformed empirical approaches across all scenarios. The highest accuracy was achieved in the radiation-based scenario with DEM (RF3), yielding an NS value of 0.99. Overall, the findings demonstrate that the Random Forest algorithm can significantly improve ET₀ estimation under data scarcity conditions and serves as a reliable alternative to empirical models, particularly in regions with complex topography and climatic heterogeneity. | ||
| کلیدواژهها [English] | ||
| Digital Elevation Model, Empirical Models, FAO Penman-Monteith, Humidity-based, Radiation-based, Temperature-based | ||
|
آمار تعداد مشاهده مقاله: 2 |
||