فهرست نشریات علمی دسترسی آزاد ایران

باتوجه‌ به افزایش تولید محصولات کشاورزی و همچنین وقوع خشکسالی مکرر در بسیاری از مناطق جهان، نیاز شدید به برآورد دقیق‌تری از میزان آب مصرفی گیاهان و درنتیجه برآورد دقیق تبخیر و تعرق مرجع احساس می‌شود. معادلة پنمن مانتیث فائو برای برآورد تبخیر و تعرق مرجع به‌عنوان روشی استاندارد در بسیاری از تحقیقات معرفی شده است. از معایب اصلی این روش به‌صورت نقطه‌ای و دردسترس‌بودن داده‌های هواشناسی در مکان‌های خاص می‌باشد. درحالی‌که با استفاده از داده‌های سنجش‌ازدور می‌توان این مشکل را برطرف نمود. در این پژوهش، هدف اصلی ترکیب داده‌های سنجش‌ازدور با مدل-های یادگیری ماشین برای برآورد تبخیر و تعرق مرجع است. با استفاده از مدل‌های یادگیری ماشین، چالش‌های انتخاب بهترین مدل ممکن، متغیرهای ورودی مدل و دردسترس‌بودن داده‌های موردنیاز ایجاد می‌شود؛ بنابراین در این پژوهش مدل-های مطرح RF، GBR و SVR انتخاب و از داده‌های تصاویر لندست و شاخص‌های 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 مدل‌ها با مقادیر همة باندهای تصاویر لندست، درحالی‌که در رویکرد دوم، شاخص‌های پوشش گیاهی به‌عنوان ورودی مدل معرفی و استفاده شد. مدل RF با شاخص‌های پوشش گیاهی، نتایج آماری برابر با (%14.1=RMSE و %76.4=R2) داشت، درحالی‌که با استفاده از همة باندهای لندست (%11.7=RMSE و %84.1=R2) و همچنین در مقایسه با الگوریتم‌های دیگر، با مقداری دقت بیشتر تبخیر و تعرق مرجع را برآورد کرد. نتایج، بیان‌کننده توانایی و پتانسیل شاخص‌های پوشش گیاهی به‌تنهایی و تصاویر لندست در تهیه اطلاعات لازم برای مدیریت آبیاری در کشاورزی و همچنین توانایی الگوریتم‌های یادگیری ماشین در برآورد پارامترهایی نظیر تبخیر و تعرق مرجع می-باشد.