فهرست نشریات علمی دسترسی آزاد ایران

پیش‌بینی کوتاه‌مدت تبخیر-تعرق روزانه گیاه در کشاورزی دقیق و مدیریت آبیاری اهمیت فراوانی دارد.در این مقاله، روشی برای پیش‌بینی کوتاه مدت نقشه‌های تبخیر-تعرق روزانه گیاه برنج با استفاده از تصاویر ماهواره‌ای و الگوریتم‌های یادگیری ماشین ارائه شده است.پس از تلفیق باندهای تصاویر لندست 8 و مودیس با استفاده از روش STARFM، تصاویر تبخیر-تعرق روزانه به کمک الگوریتم METRIC تولید و برای پیش‌بینی نقشه‌های تبخیر-تعرق روزهای بعدی به عنوان ورودی به ماشین بردار ارتباط (RVM) و حافظه کوتاه-مدت طولانی (LSTM) اعمال شدند. دو سناریو برای پیش‌بینی در نظر گرفته شد. در سناریوی اول، با استفاده از یک تصویر و یک گام زمانی شش روزه، تصویر شش روز بعد پیش‌بینی شد. در سناریوی دوم، پیش‌بینی برای روزهای متوالی تا شش روز انجام شد.ضریب همبستگی بین مقادیر پیش‌بینی شده توسط RVM و مقادیر واقعی برای سناریوی اول و دوم به ترتیب 89/0 و 84/0 بدست آمد که نشان دهنده دقت قابل قبول این دو سناریو در پیش‌بینی تبخیر-تعرق است. در سناریوی نخست، مقادیر R2 برای دو روش  RVM و LSTM به ترتیب برابر با 8/0 و 59/0 بدست آمد که نشان می‌دهد RVM در مقایسه با LSTM از دقت بیشتری برای پیش‌بینی تبخیر-تعرق برخوردار است. مقدار RMSE برای RVM در سناریوی اول و دوم به ترتیب برابر با 56/0 و 82/0 و مقدار MAE نیز به ترتیب برابر با 43/0 و 66/0 بدست آمد که نشان از خطای کمتر ناشی از پیکره‌بندی انجام شده در سناریوی اول می‌باشد.