Journal of Watershed Management Research

fa برآورد تبخیر- تعرق مرجع روزانه با استفاده از روش های داده کاوی رگرسیون بردار پشتیبان و مدل درختی M5 Estimating Daily Reference Evapotranspiration using Data Mining Methods of Support Vector Regression and M5 Model Tree هيدرولوژی هيدرولوژی پژوهشي Research تبخیر و تعرق یکی از اجزای اصلی چرخه هیدرولوژی است و تعیین صحیح آن برای بسیاری از مطالعات از قبیل توازن هیدرولوژیکی آب، طراحی و مدیریت سیستم‌های آبیاری، شبیه‌سازی میزان محصول و طراحی و مدیریت منابع آب از درجه اهمیت بالایی برخوردار است. خاصیت غیرخطی، عدم قطعیت ذاتی و نیاز به اطلاعات متنوع اقلیمی در برآورد تبخیر و تعرق از دلایلی بوده‌اند که باعث شده پژوهشگران به سوی روش‌های داده کاوی همچون درخت تصمیم (M5) و رگرسیون بردار پشتیبان (SVR) روی آورند. در تحقیق حاضر دقت روش های مذکور در تخمین تبخیر و تعرق گیاه مرجع در مقایسه با روش‌های تجربی هارگریوز و تورنت وایت مورد مطالعه قرار گرفته است. بدین منظور، با استفاده از سری داده های هواشناسی سال‌های 1394-1371 ایستگاه سینوپتیک تبریز، ابتدا مقادیر تبخیر و تعرق روزانه گیاه مرجع از روش استاندارد فائو- پنمن- مونتیث محاسبه گردید. سپس با استفاده از این مقادیر به عنوان خروجی‌های هدف، 17 سناریو مختلف از داده‌های هواشناسی که ترکیبی از حداقل داده شامل یک پارامتر تا حداکثر شش پارامتر هواشناسی بودند، توسط روش های مذکور ارزیابی گردید. در نهایت قابلیت روش های SVR وM5  در برآورد تبخیر و تعرق گیاه مرجع با استفاده از داده‌های صحت سنجی مورد بررسی قرار گرفت. نتایج بررسی های آماری و دیاگرام تیلور نشان دادند که روش های SVR و M5 در حالت در نظر گرفتن تمامی پارامترهای هواشناسی به ترتیب با دارا بودن جذر میانگین مربعات خطای 398/0 و 411/0 در مقایسه با روش‌های تجربی هارگریوز و تورنت وایت، نتایج بهتری در برآورد تبخیر و تعرق گیاه داشته اند.     Evapotranspiration is one of the most important components of the hydrological circle and its proper determination is highly important in most researches such as water hydrological balance, design and management of irrigation systems, simulation of crop production and design and management of water resources. Nonlinear characteristic, uncertainty and needing for different climatological data in simulating evapotranspiration are the reasons that motivate researchers to investigate data mining methods such as M5 model trees and support vector regression. In the present study, the precision of mentioned methods in estimation of reference crop evapotranspiration in comparison with empirical methods such as Hargrivs and Torrent white equations was studied. For that purpose, using meteorological dataset of 1371-1394 years of Tabriz synoptic station, the daily values of reference crop evapotranspiration were computed by FAO-Penman-Monteith method. Then, using these computed values as target outputs, 17 various scenarios combining at last one to up to six meteorological parameters have been considered using mentioned methods. Finally, the capability of support vector regression and M5 model trees for estimation of evapotranspiration was analyzed using test data set. Results of statistical analysis and Taylor diagram showed that support vector regression and M5 model trees in a case of considering all meteorological parameters with root mean square of 0.398 and 0.44, respectively, provided precise results comparing with empirical methods such as Hargrivs and Torrent white.     تبخیر و تعرق گیاه مرجع, روش‌های تجربی, روشهای یادگیری ماشینی, فائو- پنمن- مونتیث Empirical Methods, FAO-Penman-Monteith Method, Machine Mearning Algorithms, Reference Evapotranspiration 157 167 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-1077-1&slc_lang=fa&sid=1 Saeed Samadianfard سعید صمدیان فرد s.samadian@tabrizu.ac.ir 10031947532846007014 10031947532846007014 Yes University of Tabriz دانشگاه تبریز Solmaz Panahi سولماز پناهی panahii.solmaz@gmail.com 10031947532846007015 10031947532846007015 No University of Tabriz دانشگاه تبریز