ارزیابی و بهبود برآورد تبخیر- تعرق مرجع در شرایط محدودیت داده‌های هواشناسی با استفاده از الگوریتم جنگل تصادفی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استاد گروه مهندسی آب، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری.

2 پژوهشگر پسادکتری علوم و مهندسی آب، گروه مهندسی آب، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری.

3 دکتری علوم و مهندسی آب، شرکت سهامی آب منطقه‌ای مازندران.

چکیده

این پژوهش باهدف ارزیابی و بهبود برآورد تبخیر-تعرق مرجع در شرایط محدودیت داده، با استفاده از الگوریتم جنگل تصادفی انجام شد. به این منظور، داده‌های روزانه 17 ایستگاه هواشناسی استان مازندران طی دوره آماری 2000 تا 2025 استفاده شد. ابتدا تبخیر-تعرق مرجع با روش استاندارد فائو پنمن-مانتیث و هشت مدل تجربی در سه گروه دما-محور، تابش - محور و رطوبت -محور محاسبه شد. سپس الگوریتم جنگل تصادفی با استفاده از ترکیب‌های مختلف متغیرهای هواشناسی و مدل رقومی ارتفاع (DEM) برای بازتولید و بهبود برآورد تبخیر-تعرق آموزش داده شد. عملکرد مدل‌ها با استفاده از شاخص‌های  RMSE، NRMSE، MBE، NS  و  dارزیابی شد. نتایج نشان داد که مدل‌های تابش-محور تمایل به بیش‌برآوردی و مدل‌های دما-محور تمایل به کم برآوردی نسبت به روش مرجع دارد. در مقابل، مدل جنگل تصادفی در تمامی سناریوها عملکرد بهتری ارائه داد و توانست خطاهای متداول را کاهش دهد. بیشترین دقت آماری مربوط به سناریوی تابش-محور (RF3)  بود که مقدار NS برابر با 0/99 و کمترین مقدار RMSE برابر با 0/18 را نشان داد. تحلیل حساسیت نیز نشان داد که اهمیت متغیرهای ورودی به سناریوی مدل وابسته است؛ به‌طوری که دمای بیشینه در RF1 و RF2 و ساعات آفتابی در RF3 بیشترین حساسیت را داشت، درحالی‌که رطوبت نسبی در RF4 اثر غالب را نشان داد. الگوریتم جنگل تصادفی با ایجاد مجموعه‌ای از درخت‌های تصمیم و ترکیب خروجی آن‌ها، قادر به مدل‌سازی روابط غیرخطی بین متغیرهای ورودی و ET₀ است. بااین‌حال، انتخاب مدل مناسب باید علاوه بر دقت آماری، بر اساس میزان دسترسی به داده‌ها و هدف کاربردی مطالعه انجام شود.

کلیدواژه‌ها

عنوان مقاله [English]

Assessment and Improvement of Reference Evapotranspiration Estimation under Data-Scarce Conditions Using Random Forest Algorithm

نویسندگان [English]

  • Mohammad Ali Gholami Sefidkouhi 1
  • Fatemeh Jafari 2
  • Homa Noghankar 3
1 Professor of Water Engineering Department, Crop Engineering Faculty, Sari Agricultural Sciences and Natural Researches University (SANRU).
2 Post-Doc of Water Sciences and Engineering, Water Engineering Department, Crop Engineering Faculty, Sari Agricultural Sciences and Natural Researches University (SANRU).
3 Ph.D. of Water Sciences and Engineering, Regional Water Company of Mazandaran.
چکیده [English]

This study aimed to evaluate and improve the estimation of reference evapotranspiration under data-limited conditions using the Random Forest (RF) algorithm. From 17 weather stations, meteorological data of 2000–2025 were used in Mazandaran Province, northern Iran. First, ET₀ was calculated using the standard FAO Penman–Monteith method and eight empirical models classified into temperature-, radiation-, and humidity-based groups. The RF algorithm was then trained using different combinations of meteorological variables and a digital elevation model (DEM) to reproduce and improve ET₀. Model performance was evaluated using RMSE, NRMSE, MBE, Nash–Sutcliffe efficiency (NS), and Willmott’s index of agreement (d). The results showed that radiation-based models tended to overestimate ET₀, whereas temperature-based models generally underestimated it relative to the reference method. In contrast, the RF models showed improved performance across all scenarios and reduced systematic errors. The highest statistical accuracy was obtained for the radiation-based RF3 scenario incorporating DEM, with an NS value of 0.99 and the lowest RMSE of 0.18. Sensitivity analysis indicated that the importance of input variables varied among scenarios; maximum temperature showed the highest sensitivity in RF1 and RF2, sunshine duration was the most influential variable in RF3, and relative humidity had the dominant effect in RF4. By combining an ensemble of decision trees, the RF algorithm effectively captured non-linear relationships between input variables and ET₀. Nevertheless, model selection should consider not only statistical accuracy but also data availability and the intended application. 

کلیدواژه‌ها [English]

  • Digital Elevation Model
  • Empirical Models
  • FAO Penman-Monteith
  • Humidity-based
  • Radiation-based
  • Temperature-based

مراجع

  1. بهزادی کریمی، حسین، مظفری، غلامعلی، امیدوار، کمال و مزیدی، احمد، 1400. چشم­انداز تغییرات زمانی - مکانی تبخیر و تعرق در حوضه آبریز کارون طی دوره­های آتی و تحت سناریوهای انتشار گازهای گلخانه­ای. فصلنامه جغرافیای طبیعی، 13(54). 108-87. doi:20.1001.1.20085656.1400.14.54.3.6
  2. رنجبر، آرش و ابراهیمی پاک، نیازعلی، 1404. کمی­سازی اثر پارامترهای اقلیمی بر تبخیر و تعرق مرجع در استان اردبیل. مجله تحقیقات آب‌وخاک ایران، 56 (8). 2265-2245.

 doi:10.22059/ijswr.2025.397468.669965

  1. نصرالهی، محمد، ذوالفقاری، علی اصغر و یزدانی، محمدرضا، 1401. تحلیل حساسیت تبخیر و تعرق مرجع در اقلیم مرطوب حاشیه جنوبی دریای خزر. تحقیقات کاربردی خاک، 10(2). 90-79.

 doi: 10.30466/asr.2022.121217

  1. یحیوی دیزج، آمنه، اکبری ازیرانی، طیبه، خالدی، شهریار و جوان، خدیجه، 1402. بررسی فصلی تبخیر تعرق مرجع و تحلیل حساسیت آن به عناصر هواشناسی در ایران. نشریه آب‌وخاک، 37(4). 657-643.

doi: 10.22067/jsw.2023.83328.1307

  1. Allen, R.G., Pereira, L.S., Raes, D. and Smith, M. 1998. Crop evapotranspiration: guidelines for computing crop water requirements. FAO, Irrigation and Drainage Paper 56. Rome. Italy. 300 p.
  2. Amani, S. and Shafizadeh-Moghadam, H. 2023. A review of machine learning models and influential factors for estimating evapotranspiration using remote sensing and ground-based data. Agricultural Water Management, 284 (3), 108324.

 doi:10.1016/j.agwat.2023.108324

  1. Bai, Y., Zhang, S., Bhattarai, N., Mallick, K., Liu, Q., Tang, L., Im, J., Guo, L. and Zhang, J. 2021. On the use of machine learning based ensemble approaches to improve evapotranspiration estimates from croplands across a wide environmental gradient. Agricultural and Forest Meteorology, 298-299, 108308.

doi:10.1016/j.agrformet.2020.108308

  1. Bararkhanpour Ahmadi, S., Nadi, M., Mazloom Babanari, S. and Jedariforoughi, A. 2024. Analyzing the effect of climate change on the trend of extreme temperatures along the coast of Mazandaran province based on CMIP6 models. Journal of Water and Soil Conservation, 30(4), pp. 1-27. doi:10.22069/jwsc.2023.21185.3635
  2. Berti, A., Tardivo, G., Chiaudani, A., Rech, F. and Borin, M. 2014. Assessing reference evapotranspiration by the Hargreaves method in north-eastern Italy. Agricultural Water Management, 140, pp. 20-25. doi:10.1016/j.agwat.2014.03.015
  3. Chen, Z., Zhu, Z., Jiang, H. and Sun, S. 2020. Estimating daily reference evapotranspiration based on limited meteorological data using deep learning and classical machine learning methods. Journal of Hydrology, 591, 125286.

 doi:10.1016/j.hydrol.2020.125286

  1. Chu, R., Li, M., Shen, S., Islam, A.R.M.T., Cao, W., Tao, S. and Gao, P. 2017. Changes in reference evapotranspiration and its contributing factors in Jiangsu, a major economic and agricultural province of eastern China. Water, 9 (7). 486. doi:10.3390/w9070486
  2. Clodoalves da Silva Júniora, J., Medeirosa, V., Garrozia, C., Montenegrob, A. and Gonçalvesa, G.E. 2019. Random forest techniques for spatial interpolation of evapotranspiration data from Brazilian’s northeast. Computers and Electronics in Agriculture, 166, 105017 ,pp. 105-116. doi:10.1016/j.compag.2019.105017
  3. Feng, Y., Cui, N., Gong, D., Zhang, Q. and Zhao, L. 2017. Evaluation of random forests and generalized regression neural networks for daily reference evapotranspiration modelling. Agricultural Water Management, 193, pp. 163-173.

doi:10.1016/j.agwat.2017.08.003

  1. Goyal, P., Kumar, S. and Sharda, R. 2023. A review of the artificial intelligence (AI) based techniques for estimating reference evapotranspiration: Current trends and future perspectives. Computers and Electronics in Agriculture, 209,

doi:10.1016/co.mpag.2023.107836

  1. Granata, F. and Di Nunno, F. 2021. Forcasting evapotranspiration in different climate using ensembles of recurrent neural networks. Agricultural Water Management, 255, 107040. doi:10.1016/j.agwat.2021.107040
  2. Hargreaves, G.H. and Samani, Z.A. 1985. Reference crop evapotranspiration from temperature. Applied Engineering in Agriculture, 1(2), pp. 96–99.

doi:10.13031/2013.26773

  1. Lenhart, T., Eckhardt, K., Fohrer, N. and Frede, H.G. 2002. Comparison of two different approaches of sensitivity analysis. Physics and Chemistry of the Earth, 27, pp. 645–654.
  2. Li, Y., Wang, W., Wang, G. and Tan, Q. 2022. Actual evapotranspiration estimation over the Tuojiang River Basin based on a hybrid CNN-RF model. Journal of Hydrology, 610, 127788. doi:10.1016/j.jhydrol.2022.127788
  3. Liu, Y., Zhang, S., Zhang, J., Tang, L. and Bai, Y. 2021. Assessment and comparison of six machine learning models in estimating evapotranspiration over croplands using remote sensing and meteorological factors. Remote Sensing, 13(19), 3838.

doi:10.3390/rs13193838

  1. Mandal, N. and Chanda, K. 2023. Performance of machine learning algorithms for multi-step ahead prediction of reference evapotranspiration across various agro-climatic zones and cropping seasons. Journal of Hydrology, 620, 129418.

doi:10.1016/j.jhydrol.2023.129418

  1. Nouri, M., Homaee, M. and Bannayan, M. 2018. Spatiotemporal reference evapotranspiration changes in humid and semi-arid regions of Iran: Past trends and future projections. Theory of Applied Climatology, 133, pp. 361–375. doi:10.1007/s00704-017-2176-8
  2. Priestley, C.H.B. and Taylor, R.J. 1972. On the assessment of surface heat flux and evaporation using large-scale parameters. Monthly Weather Review, 100, pp. 81-92.
  3. Qiu, R., Liu, C., Cui, N., Wu, Y., Wang, Z. and Li, G. 2019. Evapotranspiration estimation using a modified Priestley-Taylor model in a rice-wheat rotation system. Agricultural Water Management, 224, 105755. doi:10.1016/j.agwat.2019.105755
  4. Rashid Niaghi, A., Hassanijalilian, O. and Shiri, J. 2021. Estimation of reference evapotranspiration using spatial and temporal machine learning approaches. Hydrology, 8(1), 25. https://doi.org/10.3390/hydrology8010025
  5. Sharma, G., Singh, A. and Jain, S. 2022. A hybrid deep neural network approach to estimate reference evapotranspiration using limited climate data. Neural Computing and Application, 34, pp. 4013-4032. doi:10.1007/s00521-021-06661-9
  6. Tabari, H., Marofi, S., Aeini, A., Talaee, P.H. and Mohammadi, K. 2011. Trend analysis of reference evapotranspiration in the western half of Iran. Agricultural and Forest Meteorology, 151(2), pp. 128–136. doi:10.1016/j.agrformet.2010.09.009
  7. Tabari, H., Grismer, M.E. and Trajkovic, S. 2013. Comparative analysis of 31 reference evapotranspiration methods under humid conditions. Irrigation Sciences, 31, pp. 107-117. doi:10.1007/s00271-011-0295-z
  8. Tunal, U., Tüzel, I.H., Tüzel, Y. and Şenol, Y. 2023. Estimation of actual crop evapotranspiration using artificial neural networks in tomato grown in closed soilless culture system. Agricultural Water Management, 284, 108331.

doi:10.1016/j.agwat.2023.108331

  1. Valipour, M., Bateni, S.M., Gholami Sefidkouhi, M.A., Raeini-Sarjaz, M. and Singh, V.P. 2020. Complexity of forces driving trend of reference evapotranspiration and signals of climate change. Atmosphere, 11, pp. 1-26. doi:10.3390/atmos11101081
  2. Veysi, S., Zarei, S., Galehban, E. and Tahooni, A. 2025. Leverafing artificial intelligence and machine-learning methods for bias correction of reference evapotraspiration utilizing ERA5 data. Irrigation and Drainage Engineering, 151(4), 106647.

doi:10.1061/jidedh.irenc-10487

  1. Wang, S., Lian, J., Peng, Y., Hu, B. and Chen, H. 2019. Generalized reference evapotranspiration models with limited climatic data based on random forest and gene expression programming in Guangxi, China. Agricultural Water Management, 221, pp. 220-230. doi:10.1016/j.agwat.2019.03.027
  2. Zhang, D., Liu, X. and Hong, H., 2013. Assessing the effect of climate change on reference evapotranspiration in China. Stochastic Environmental Research and Risk Assessment, 27(8), pp. 1871–1881. doi:10.1007/s00477-013-0723-0
  3. Zhou, P., Liu, Z. and Cheng, L. 2020. An alternative approach for quantitatively estimating climate variability over China under the effects of ENSO events. Atmospheric Research, 238, 104897. doi: 1016/j.atmosres.2020.104897
پژوهش آب در کشاورزی
دوره 40، شماره 1
جلد 40 شماره 1 با تاخیر در سامانه بارگذاری میگردد
مهر 1405
صفحه 19-33

فایل ها

هم رسانی

ارجاع به این مقاله

آمار