نشریه آبیاری و زهکشی ایران

نشریه آبیاری و زهکشی ایران

بهبود پیش‌بینی تبخیرتعرق مرجع با تلفیق داده‌های سنجش از دور و الگوریتم‌های یادگیری ماشین در شمال ایران

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان
زهرا روستا 1
سعید صمدیان فرد 2
رضا دلیر حسن نیا 2
صدرا کریم زاده 3
1 دانشجوی دکتری، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، ایران
2 دانشیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، ایران
3 دانشیار گروه سنجش از دور و سیستم‌ اطلاعات جغرافیایی، دانشکده برنامه‌ریزی و علوم محیطی، دانشگاه تبریز، ایران
10.22034/idj.2026.559252.2644
چکیده
در مواجهه با چالش‌های ناشی از تغییرات اقلیمی و افزایش تقاضای آب، پیش‌بینی دقیق تبخیرتعرق مرجع (ET0) به عنوان یکی از ارکان مدیریت پایدار منابع آبی اهمیت یافته است. مدل‌های کلاسیک مانند فائو-پنمن-مانتیث، با وجود اعتبار علمی، در مناطق فاقد داده‌های کامل هواشناسی با کاهش دقت روبرو هستند. این پژوهش با هدف ارتقای دقت پیش‌بینی ET0، از تلفیق داده‌های سنجش از دور (ETMODIS) و الگوریتم‌های یادگیری ماشین بهره گرفته است. دو مدل تقویت گرادیانی شدید (XGB) و نسخه بهبود‌یافته آن (HXGB) توسعه یافته‌اند که مدل دوم از قابلیت تعمیم بالاتری برخوردار است. داده‌های هواشناسی و پارامترهای ماهواره‌ای مربوط به ایستگاه‌های رامسر و بندرانزلی در بازه 2001 تا 2023 برای آموزش و ارزیابی مدل‌ها استفاده شد. نتایج نشان داد مدل HXGB در هر دو ایستگاه عملکرد بهتری نسبت به مدل پایه دارد. در بندرانزلی، سناریوی هشتم که شامل تمام ورودی‌ها بود با ترکیب داده‌های هواشناسی و ETMODIS، RMSE را به 11/0 میلی‌متر در روز کاهش داد. در رامسر نیز همین سناریو به RMSE برابر با 19/0 میلی متر در روز دست یافت. این ترکیب داده‌ای موجب افزایش حساسیت مدل نسبت به تغییرات مکانی-زمانی و بهبود چشمگیر دقت پیش‌بینی شد.
کلیدواژه‌ها
بندرانزلی
تصاویر ماهواره‌ای
رامسر
سناریو‌سازی
سنجنده مادیس

عنوان مقاله English

Improving Reference Evapotranspiration Prediction Using Remote Sensing Data and Machine Learning Algorithms in Northern Iran

نویسندگان English

Zahra Rousta 1
Saeed Samadianfard 2
Reza Delirhassannia 2
Sadra Karimzadeh 3
1 PhD student, Water Engineering Dept., Faculty of Agriculture, University of Tabriz, Iran.
2 Assoc. Prof., Water Engineering Dept., Faculty of Agriculture, University of Tabriz, Iran.
3 Assoc. Prof., Remote Sensing and Geographic Information Systems Dept.,, Faculty of Planning and Environmental Sciences, University of Tabriz, Iran.
چکیده English

Faced with growing challenges from climate change and rising water demand, accurate prediction of reference evapotranspiration (ET0) has become a key component of sustainable water resource management. Traditional models like FAO-Penman-Monteith, although scientifically reliable, often lose accuracy in areas with limited meteorological data. This study aims to improve ET0 prediction by combining MODIS remote sensing data with advanced machine learning algorithms. Two models were developed: the basic Extreme Gradient Boosting (XGB) and an enhanced version called Hybrid XGB (HXGB), which offers better generalization. Meteorological and satellite data from Ramsar and Bandar Anzali stations (2001–2023) were used for training and evaluation. Results showed that HXGB outperformed the base model at both stations. In Bandar Anzali, Scenario 8 (using both meteorological data and satellite-based ETMODIS) reduced RMSE to 0.11 mm/day. In Ramsar, the same scenario achieved an RMSE of 0.19 mm/day. This data fusion approach increased the models sensitivity to spatial and temporal variations, significantly improving prediction accuracy.

کلیدواژه‌ها English

Bandar Anzali
MODIS sensor
Ramsar
Satellite imagery
Scenario development
نشریه آبیاری و زهکشی ایران

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از 18 خرداد 1405