기후 변화 완화를 위한 ETo 예측에 기반한 관개수 관리 향상 연구

이 연구는 기후 변화의 증가하는 도전을 다루기 위해 참조 증발산(ETo)을 예측하기 위한 기계 학습(ML) 알고리즘의 사용을 탐구했습니다. 정확한 ETo 예측은 관개수 관리 최적화에 필수적입니다. 이 연구의 목표는 ETo 값을 예측하는 ML 알고리즘의 신뢰성과 정확성을 평가하는 것이었습니다. Penman-Monteith (PM), Hargreaves (HA), Blaney-Criddle (BC) 세 가지 ETo 계산 방법이 사용되었습니다. 이 연구는 수정된 Mann-Kendall 테스트(m-MK) 및 Theil Sen의 기울기 추정 방법을 사용하여 ETo 및 기타 기후 변수를 분석하여 추세를 식별했습니다. ETo 예측을 위해 Support Vector Regression (SVR), Random Forest (RF), XGboost, K-Nearest Neighbor (KNN), Decision Trees (DT), Linear Regression (LR), Multiple Linear Regression (MLR) 등 여러 ML 알고리즘이 활용되었습니다. ML 알고리즘은 PM에서 0.97에서 0.99, HA에서 0.99, BC에서 0.91에서 0.92의 결정 계수(R2) 값을 가진 뛰어난 성능을 보였습니다. 모델은 낮은 평균 제곱근 오차(RMSE) 및 평균 절대 오차(MAE) 값을 가지며 높은 Kling-Gupta 효율성(KGE)을 나타냈습니다. 예측된 일일 ETo와 계산된 ETo 간의 강한 상관관계가 PM, HA 및 BC 방법에 대해 각각 R2 값이 0.99, 0.99 및 0.92로 관찰되었습니다. 결론적으로, 이 연구는 ML 알고리즘의 정확성과 신뢰성이 표준 ETo 예측 방정식에 필적함을 확인했습니다.