Development and comparison of three different machine learning (ANN, RT, and GPR) models for estimating daily reference evapotranspiration in sub-humid region

Su kaynaklarının planlanması ve tarımsal su yönetimi için referans bitki tüketiminin (ET0) doğru tahmin edilmesi oldukça önemlidir. Bu çalışmada üç farklı makine öğrenimi yönteminin, yapay sinir ağları (YSA), rassal ağaç (RT) gauss süreç regresyonu (GPR), yarı nemli iklim koşullarına sahip bir bölgeden alınan verileri kullanılarak günlük ET0’ı etme performansları araştırılmıştır. Modelleri eğitmek test etmek Bafra’da 2018–2020 döneminde toplanan meteorolojik verilerin beş girdi kombinasyonu [günlük ortalama (Tort), maksimum (Tmax) minimum sıcaklık (Tmin), rüzgar hızı (u2), bağıl nem (RHort) güneşlenme şiddeti (Rs) hem tam de eksik kombinasyonları dahil] kullanılmıştır. Makine modellerinin performansı ise FAO-56 Penman Monteith (FAO-56 PM) standart denklemi ile karşılaştırılmıştır. Modellerin doğruluğunu değerlendirmek dört istatistiksel performans indeksi kullanılmıştır [belirleme katsayısı (R2), mutlak hata (MAE), kareleri toplamının karekökü (RMSE) Nash–Sutcliffe etkinlik (NSE)]. Sonuçlar, her senaryoda da YSA RT GPR modellerinden daha iyi gösterdiğini ortaya koymuştur. Tüm olarak kullanıldığı beşinci senaryo modelleri tarafından edilen ET0 değerlerinin PM değerleri uyum içinde olduğu belirlenmiştir (R2=0.988, MAE=0.166, RMSE=0.205, NSE=0.984). Bununla birlikte veriler olmadığında bile sadece Tort, RHort Rs yüksek tahminleri elde edilmiştir. Genel olarak, radyasyona dayalı modelleri, sıcaklığa göstermiştir. özelliklerine bölgede modelinin ET0'ı verimli şekilde modellemek etkili kullanılabileceğini göstermektedir.