مدل سازی تبخیر و تعرق گیاه مرجع با استفاده از داده های روزانه و دو روش متفاوت گاماتست و تحلیل مولفه های اصلی

چکیده: تبخیر و تعرق مرجع یکی از پارامترهای مهم در مدیریت آبیاری گیاهان است و معمولا بر مبنای داده های هواشناسی چند ساله و با استفاده از مدل ها برآورد می شود. اهمیت زیاد این پارامتر در مسائل آبیاری، لزوم استفاده از روش های جدید داده کاوی را نشان می دهد. در این پژوهش امکان برآورد تبخیر و تعرق مرجع با استفاده از مدل های ترکیبی رگرسیون چندگانه و تحلیل مولفه های اصلی (mlr-pca) و مدل شبکه عصبی مصنوعی و گاماتست (ann-gt) بررسی شد. به این منظور از داده های هواشناسی روزانه سال های 2005-1991 ایستگاه های سینوپتیک تربت جام، تربت حیدریه، سرخس، سبزوار، کاشمر، گلمکان، گناباد، نیشابور و مشهد واقع در استان خراسان رضوی استفاده شد. در بخش تحلیل مولفه های اصلی در همه ایستگاه ها دو مولفه pc1و pc2 که محدوده (88%-85%) از واریانس کل را تشکیل می دادند، به عنوان مولفه های اصلی در نظر گرفته شدند. با استفاده از مولفه های به دست آمده، مدل رگرسیون خطی چندگانه برای تخمین تبخیر و تعرق مرجع ارائه شد. آماره t برای مقدار ثابت و هر یک از مولفه ها در تمامی ایستگاه ها محاسبه گردید که طبق نتایج همگی در سطح 5% معنی دار بودند. بر اساس نتایج، مولفه pc1 نسبت به مولفه pc2 از اهمیت بیشتری برخوردار بود. در بخش گاماتست در همه ایستگاه ها پارامتر سرعت باد به عنوان مهم ترین پارامتر شناخته شد و پس از تعیین بهترین ترکیب توسط این روش، مدل سازی آن با استفاده از شبکه عصبی مصنوعی انجام پذیرفت. مقایسه بین مدل های mlr-pca ، mlr، ann-gt و ann با استفاده از آماره های خطاسنجی شامل: میانگین مربعات خطا (rmse)، خطای مطلق میانگین (mae)، میانگین نسبی خطای مطلق (mare) ، ضریب تبیین (r2) و خطای نقطه ایده آل (ipe) نشان داد که همگی این مدل ها در محاسبه تبخیر و تعرق از دقت خوبی برخوردار هستند ولی مدل شبکه عصبی مصنوعی با پیش پردازش گاماتست (ann-gt) نسبت به مدل (mlr-pca و mlr) برتری دارد، ضمن آنکه برتری مدل ann-gt نسبت به مدل ann و مدل mlr-pca نسبت به مدل mlr چندان محسوس نمی باشد.