Yarı-nemli iklim koşullarında sürdürülebilir su yönetimi için derin öğrenme kullanılarak referans bitki su tüketiminin tahmin edilmesi

Abstract

Su kaynaklarının sürdürülebilirliği, iyi bir sulama planlaması ve programlamasında Referans Evapotranspirasyonun (ETo) son derece doğru bir şekilde tahminine bağlıdır. Sürdürülebilirliğe ulaşmak için, Derin Öğrenme (DÖ) gibi modern teknolojiler kullanılmaktadır. Bu çalışmanın, günlük ETo tahmininde DÖ yöntemleri kullanılarak modeller geliştirilmesi ile tarımda yapay zekâ kullanımı alanına bilimsel olarak katkı sağlayacağı düşünülmektedir. Çalışmanın amacı, günlük ETo tahmin etmede DÖ ÇKA, 1D-CNN, LSTM, Bi-LSTM ve Hibrit mimarilerini test ederek en iyi mimari tipinin belirlenmesi, sınırlı parametreler olduğu durumlarda ETo değerini iyi düzeyde tahmin etmek için meteoroloji parametrelerinin seçilebilmesi olmuştur. Son olarak ETo tahmininde yüksek doğruluk elde etmek için kullanılması gereken en az veri miktarının ve az veri miktarı kullanılması durumunda en iyi mimarinin belirlenmesi amaçlanmaktadır. Günlük ETo tahmin etmek için meteoroloji parametrelerinden 22 veri kombinasyonu oluşturularak 93 farklı DÖ mimarisi K-katlamalı yöntemi kullanılarak test edilmiştir. FAO Penman-Monteith yöntemiyle tahmin edilen ETo değerleri, DÖ modellerinden çıkan sonuçların karşılaştırılmasında kullanılmıştır. ETo tahmin etmede DÖ mimarileri türlerinin performansları değerlendirildiğinde, en yüksek ve dengeli performansları hibrit mimarileri sonrasında 1D-CNN mimarileri göstermişlerdir. En düşük ve dengesiz performans ise ÇKA mimarilerinde belirlenmiştir. Tekrarlayan sinir ağı yapısına ait LSTM ve Bi-LSTM mimarilerinin ikisi de iyi performanslıdır, ayrıca ikisinin performansı arasında büyük bir fark yoktur, ancak Bi-LSTM, LSTM’den çok hafif farkla iyidir. Herhangi bir DÖ mimarisi ile yüksek verimli ETo tahmin etmek için mevcut olan meteoroloji parametreleri seçilirken; öncelikle ortalama sıcaklık veya minimum-maksimum sıcaklık ve güneş süresinin diğer parametrelere göre tercih edilmesi gerektiği bulunmuştur. Buna bağlı olarak, ETo tahmin etmede en iyi tek, iki ve üç parametreden oluşan veri kombinasyonları; sıcaklık, sıcaklık-güneş süresi, sıcaklık-güneş süresi-rüzgâr hızıdır. Son olarak, beş tür DÖ mimarisinde, modellerin eğitiminde kullanılan veri miktarının 1 ile 26 yıl arasında değiştirilmesi, 5 yıllık günlük ETo tahminini önemli ölçüde etkilememiş, ayrıca az veri miktarı kullanıldığında Hibrit mimari diğer mimarilerden daha yüksek performans göstermiştir.

The sustainability of water resources depends on a very accurate Reference Evapotranspiration (ETo) estimation of good irrigation planning and scheduling. Achieving sustainability uses modern technologies like Deep Learning (DL). This study will contribute to filling the gap in the artificial intelligence uses in agriculture that related to using DL methods in estimating daily ETo. The study aims to determine the best DL architecture type in estimating daily ETo by testing MLP, 1D-CNN, LSTM, Bi-LSTM, and Hybrid (CNN-LSTM) architectures, defining the best selection of meteorological parameters to estimate a high accuracy of ETo with limited parameters. Finally, it aims to determine the minimum amount of data used in training DL models to achieve high accuracy in ETo estimation and which the best DL architecture uses a small amount of data. In this study, daily ETo was estimated by 22 data combinations created from meteorology parameters, and each of the data combinations was tested by K-Fold Cross Validation on 93 different DL architecture types. Daily ETo values estimated by the FAO Penman-Monteith method were used when comparing results from DL models. The evaluation of DL architectures' performances in estimating daily ETo showed that the highest and balanced performance DL architectures is hybrid, and 1D-CNN architecture comes after it. The lowest and unstable performance one is MLP architectures. As for LSTM and Bi-LSTM architecture performances are well; there is no significant difference in performance between each other, but Bi-LSTM is slightly better than LSTM. The selection of limited parameters to predict high-efficiency ETo with any DL architecture; It has been found that average or minimum-maximum temperature and sunshine duration should be preferred over other parameters. Accordingly, the best data combinations were created from one, two, and three parameters for estimating ETo: temperature, temperature- sunshine duration, temperature- sunshine duration-wind speed. Finally, in the five types of DL architectures, changing the amount of data used in training the models between 1 and 26 years did not significantly affect the estimation of 5 years of daily ETo in addition, Hybrid architecture outperformed other DL architectures when using a fewer amount of data in estimating ETo.