| ارزیابی عملکرد مدل‌های هیبریدی XGBoost و Bi-LSTM در پیش‌بینی تبخیر و تعرق مرجع |
| کد مقاله : 1059-ECOHYDROLOGY1404 |
| نویسندگان |
|
پروا محمدی *1، علی افروزی2، علی ونائی3، کیومرث ابر اهیمی4 1فارغ التحصیل دکتری مهندسی منابع آب، گروه مهندسی آبیاری و آبادانی، دانشگاه تهران، کرج، ایران 2دکتری مهندسی آب، کارشناس مطالعات پایه منابع آب، شرکت سهامی آب منطقه‌ای همدان، همدان ایران 3دانشجوی دکتری مهندسی منابع آب، گروه علوم و مهندسی آب، دانشگاه بوعلی‌سینا همدان، ایران 4استاد، گروه علوم و فناوری‌های محیطی، دانشکده مهندسی‌انرژی و منابع پایدار، دانشگاه تهران، تهران، ایران |
| چکیده مقاله |
| مدیریت بهینه منابع آب در مناطق خشک و نیمه‌خشک مستلزم برآورد دقیق تبخیر و تعرق مرجع (ET₀) است. در این مطالعه، عملکرد سه مدل FAO-56 Penman-Monteith، XGBoost و Bi- LSTM برای پیش‌بینی ET₀ با استفاده از داده‌های هواشناسی روزانه ایستگاه سنندج طی دوره سال های 1364 تا 1402 ارزیابی شد. مدلFAO-56 به‌عنوان روش مرجع استفاده شد و دقت آن با مدل‌های یادگیری ماشین مقایسه شد. نتایج نشان داد که مدلBi- LSTM در سناریوی شامل تمامی پارامترهای ورودی، با RMSE برابر با 07/0 میلی‌متر در روز بالاترین دقت را در پیش‌بینی ET₀ ارائه داد. مدل XGBoost نیز در این سناریو عملکرد مناسبی داشت، اما که نسبت به Bi-LSTM دقت کمتری نشان داد. با کاهش تعداد متغیرهای ورودی، عملکرد هر دو مدل کاهش یافت. همچنین مشخص شد که مدل Bi- LSTM در شناسایی الگوهای زمانی پیچیده عملکرد بهتری دارد و می‌تواند گزینه مناسب‌تری برای مدیریت منابع آب در شرایط داده‌های محدود باشد. |
| کلیدواژه ها |
| بیلان آب، تبخیر و تعرق مرجع، سری زمانی، سنندج، یادگیری عمیق |
| وضعیت: پذیرفته شده |
