انجمن مهندسی آبیاری و آب ایران نشریه علمی پژوهشی مهندسی آبیاری و آب ایران 2251-7359 15 3 2025 04 21 Prediction of reference evaporation and transpiration values of Golestan province with meta combinatorial learning model (Stacking) پیش‌بینی مقادیر تبخیر و تعرق مرجع استان گلستان با مدل‌ یادگیری ترکیبی متا 229 249 219705 10.22125/iwe.2025.483811.1836 FA ام البنی محمدرضاپور دانشیار گروه مهندسی آب – دانشکده آب و خاک - دانشگاه علوم کشاورزی و منابع طبیعی گرگان هادی سیاسر استادیار، گروه کشاورزی، دانشگاه پیام نور، زابل، ایران. حسین شریفان دانشیار گروه مهندسی آب – دانشکده آب و خاک - دانشگاه علوم کشاورزی و منابع طبیعی گرگان Ozgur Kisi Department of Civil Engineering, Technical University of Lübeck, 23562, Lübeck, Germany. Journal Article 2024 10 19 ,accurate estimation of plant water needs will have a great effect on reducing the problem of water crisis. Despite the importance of evapotranspiration in water resources planning and management, its dependence on climatic factors on the one hand and the influence of these factors on each other has made it difficult to estimate evapotranspiration. In this regard, based on the FAO Penman-Monteith relationship, the monthly potential evaporation-transpiration rate in the selected synoptic stations was calculated from the monthly meteorological data and as an input to the hybrid meta-exploratory models including the artificial neural network (ANN). , Evaluated Support Vector Machin (ESVM), Rain Forest (RF), Deep Learning (DL), Meta Combined Learning Model (Stacking) and Generalized Linear Model (GLM) are used. From the results, it was observed that the all reference evaporation and transpiration (ETo) prediction models (GLM, Stacking, DL, ESRV, RF, ANN-MLP) are highly efficient in all stations. However, the Stacking model has very high coefficient of determination (Gorgan: 0.996, Gonbad: 0.99, KordKoi: 0.99, Bandr-Torkman: 0.996, AliAbad: 0.991 and Minodasht: 0.992) and the lowest MAE (Gorgan: 0.25, Gonbad: 0.08, KordKoi: 0.25, Bandr-Torkman: 0.8, AliAbad: 0.33 and Minodasht: 0.97) and lowest RMSE(Gorgan: 6.849, Gonbad: 9.919, KordKoi: 9.671, Bandr-Torkman: 6.561, AliAbad: 9.123 and Minodasht: 8.73) in all the studied stations. It was also observed that after the Stacking model in all stations, the RF model and then the DL model have higher accuracy than the rest of the models. تبد دقیق نیاز آبی گیاه، تاثیر شایانی بر کاهش معضل بحران آب، خواهد داشت. علی‌رغم اهمیت تبخیر-تعرق در برنامه‌ریزی و مدیریت منابع آبی، وابستگی آن به مولفه‌های اقلیمی از یک‌سو و تاثیرپذیری این مولفه‌ها از یکدیگر از سویی دیگر تخمین تبخیر-تعرق را دشوار ساخته است. در این راستا، ابتدا بر اساس رابطه‌ی فائو پنمن-مانتیث، میزان تبخیر-تعرق پتانسیل ماهانه در ایستگاه های سینوپتیک مورد انتخاب از داده‌های هواشناسی ماهانه محاسبه و به عنوان ورودی مدل‌های هیبریدی فراکاووشی شامل شبکه عصبی مصنوعی (ANN)، بردار پشتیبان ارتقا یافته (ESVM)، مدل یادگیری ترکیبی متا (Stacking) استفاده می شود. همچنین در این تحقیق برای ارزیابی دقت مدلها از سه معیار ریشه میانگین مربعات خطا، ضریب همبستگی و میانگین قدر مطلق خطا استفاده ‌شد. از بررسی نتایح همه ایستگاه‌ها مشاهده شد، تمام‌مدل‌های پیش‌بینی پارامتر تبخیر و تعرق مرجع از کارایی خوبی برخوردار هستند. اما مدل Stacking در همه ایستگاه های مورد مطالعه در بهترین سناریوها از مقادیر کمترین میانگین قدر مطلق خطا (گرگان: 0.25، گنبد: 0.08، کردکوی: 0.25، بندر ترکمن: 0.8، علی آباد: 0.33 و مینودشت: 0.97 ) و ضریب تبیین بسیار زیاد (گرگان: 0.996، گنبد: 0.99، کردکوی: 0.99، بندر ترکمن: 0.996، علی آباد: 0.991 و مینودشت: 0.992) و کمترین ریشه دوم مربعات خطا (گرگان: 6.849، گنبد: 9.919، کردکوی: 9.671، بندر ترکمن: 6.561، علی آباد: 9.123 و مینودشت: 8.73) برخوردار می‌باشد. همچنین بعد از مدل Stacking در همه ایستگاهها مدل ANN و سپس مدل ESVM از دقت بالاتری نسبت به بقیه مدلها برخوردار می‌باشند https://www.waterjournal.ir/article_219705_2e948a5de984e719a3af85dd56e40939.pdf