Anadolu Tarım Bilimleri Dergisi, cilt.38, sa.2, ss.235-254, 2023 (Hakemli Dergi)
Su kaynaklarının planlanması ve tarımsal su yönetimi için referans bitki su
tüketiminin (ET0
) doğru tahmin edilmesi oldukça önemlidir. Bu çalışmada üç
farklı makine öğrenimi yönteminin, çok değişkenli uyarlanabilir regresyon eğrileri
(MARS), rassal ağaç (RT) ve gauss süreç regresyonu (GPR), yarı nemli iklim koşullarına sahip bir bölgeden alınan iklim verileri kullanılarak günlük ET0
’ı tahmin
etme performansları araştırılmıştır. Modelleri eğitmek ve test etmek için Bafra ilçesinde 2018–2020 döneminde toplanan günlük meteorolojik verilerin beş girdi
kombinasyonu [günlük ortalama (Tort), maksimum (Tmax) ve minimum sıcaklık
(Tmin), rüzgar hızı (u2
), bağıl nem (RHort) ve güneşlenme şiddeti (Rs) hem tam
hem de eksik kombinasyonları dahil] kullanılmıştır. Makine öğrenimi modellerinin performansı ise FAO-56 Penman Monteith (FAO-56 PM) standart denklemi ile karşılaştırılmıştır. Modellerin doğruluğunu değerlendirmek için dört farklı
istatistiksel performans indeksi kullanılmıştır [belirleme katsayısı (R2
), ortalama
mutlak hata (MAE), hata kareleri toplamının karekökü (RMSE) ve Nash–Sutcliffe
etkinlik katsayısı (NSE)]. Sonuçlar, genel olarak MARS modellerinin RT ve GPR
modellerinden daha iyi performans gösterdiğini ortaya koymuştur. Tüm verilerin girdi olarak kullanıldığı beşinci senaryo için MARS modeli tarafından tahmin
edilen ET0
değerlerinin FAO-56 PM değerleri ile iyi bir uyum içinde olduğu belirlenmiştir (R2
=0.982, MAE=0.250, RMSE=0.305, NSE=0.965). Bununla birlikte
meteorolojik veriler tam olmadığında bile sadece Tort, RHort ve Rs ile oldukça
yüksek günlük ET0
tahminleri elde edilmiştir. Genel olarak, radyasyona dayalı makine öğrenimi modelleri, sıcaklığa dayalı makine öğrenimi modellerinden daha iyi
performans göstermiştir. Sonuçlar, yarı nemli iklim özelliklerine sahip bir bölgede
MARS modelinin ET0
’ı oldukça verimli ve doğru bir şekilde modellemek için etkili
bir şekilde kullanılabileceğini göstermektedir.
Accurate estimation of reference evapotranspiration (ET0
) is very important
for water resource planning and agricultural water management. This study investigates the performance of three different machine learning methods, multivariate adaptive regression splines (MARS), random tree (RT), and gaussian process
regression (GPR), for predicting daily ET0
using climate data from a sub-humid
climate region. Five input combinations [including both complete and incomplete
combinations of daily average (Tavg), maximum (Tmax) and minimum (Tmin)
temperature wind speed (u2
), relative humidity (RHavg), and solar radiation (Rs)]
of daily meteorological data collected in Bafra district during the 2018–2020 period were used for model training and testing. The performance of machine learning models was compared with the standard FAO-56 Penman-Monteith equation
(FAO-56 PM). Four different statistical performance indices were used to evaluate
the accuracy of the models [coefficient of determination (R2
), mean absolute error (MAE), root mean square error (RMSE), and Nash-Sutcliffe efficiency coefficient (NSE)]. The results revealed that MARS models outperform the RT and GPR
models. For scenario 5, using all data as input, the ET0
values estimated by the
MARS models agreed well with the FAO-56 PM values (R2
=0.982, MAE=0.250,
RMSE=0.305, NSE=0.965). However, even if the meteorological data are incomplete, very high daily ET0
estimates have been obtained using only Tavg, RHavg, and
Rs. Overall, the radiation-based machine learning models outperformed the temperature-based machine learning models. The results show that the MARS model
can be used effectively to model ET0
quite efficiently and accurately in a region
with sub-humid climate characteristics.