Daya, Kaniz (2026) Decentralized and Privacy-Aware Modeling of Reference Evapotranspiration. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF 202319170 Kaniz Fatima Daya Thesis.pdf - Accepted Version Restricted to Repository staff only until 30 June 2027. Download (8MB)

Arabic Abstract

يلعب التبخر-النتح المرجعي (Reference Evapotranspiration - ETo) دورًا حيويًا في تخطيط الري والإدارة الكفؤة للموارد المائية، ويعد التقدير الدقيق لـ ETo أمرًا أساسيًا لتحقيق ممارسات زراعية مستدامة، لا سيما في ظل التغيرات المناخية المتسارعة. ومع ذلك، تواجه أساليب التعلم الآلي والتعلم العميق المركزية التقليدية تحديات تتعلق بخصوصية البيانات، وعدم تجانسها، وضعف قدرتها على التعميم عبر المناطق الجغرافية المتنوعة. تقترح هذه الدراسة نموذجًا قائمًا على التعلم العميق الاتحادي (Federated Deep Learning) للتنبؤ بقيم ETo، بما يتيح التعلم التعاوني عبر مجموعات بيانات موزعة دون الحاجة إلى مشاركة البيانات الخام. ويجمع النموذج المقترح بين الشبكات العصبية الالتفافية (CNN) وشبكات الذاكرة طويلة وقصيرة المدى (LSTM). وقد استخدمت مجموعة من المتغيرات المناخية الرئيسة كمدخلات للنموذج، وهي: درجة الحرارة العظمى (Tmax)، ودرجة الحرارة الصغرى (Tmin)، ومتوسط درجة الحرارة (Tmean)، وسرعة الرياح (WS)، والرطوبة النسبية (RH). واعتمدت الدراسة على بيانات يومية جُمعت خلال الفترة من عام 2005 إلى 2025 من عدة مناطق في الصين وباكستان وألمانيا، بهدف تمثيل ظروف مناخية وزراعية متنوعة. تم تقييم أداء النموذج المقترح باستخدام مقاييس الانحدار القياسية، بما في ذلك معامل التحديد (R²)، والجذر التربيعي لمتوسط مربع الخطأ (RMSE)، ومتوسط الخطأ المطلق (MAE)، ومعامل كفاءة ناش–ساتكليف (NSE). وقد حقق نموذج Federated CNN-LSTM أداءً متفوقًا في جميع التجارب، حيث بلغ R² قيمة تصل إلى 0.93، مع انخفاض ملحوظ في قيمة RMSE إلى 0.50، وMAE إلى 0.40 على المستوى المحلي، بالإضافة إلى بلوغ NSE قيمة 0.93. وعلى المستوى العالمي، حقق النموذج R² = 0.95، وRMSE = 0.39، وMAE = 0.30، وNSE = 0.95. كما أظهر النموذج قدرة عالية على التعميم عند تقييمه باستخدام بيانات آنية (Real-Time Dataset)، حيث بلغت قيمتا R² وNSE مقدار 0.86. تُظهر هذه النتائج أن نموذج التعلم العميق الاتحادي المقترح لا يقتصر على تحسين دقة التنبؤ فحسب، بل يتميز أيضًا بالمتانة والقدرة على التعميم عبر مناطق مناخية متنوعة. وتؤكد الدراسة إمكانات التعلم الاتحادي بوصفه حلًا قابلًا للتوسع ويحافظ على خصوصية البيانات لتقدير ETo، مما يدعم اتخاذ القرارات المتقدمة في مجالي الزراعة الدقيقة وإدارة الموارد المائية.

English Abstract

Reference evapotranspiration (ETo) plays a critical role in irrigation planning and efficient water resource management. Accurate estimation of ETo is essential for sustainable agricultural practices, particularly under changing climatic conditions. However, conventional centralized machine learning and deep learning approaches often face limitations related to data privacy, heterogeneity, and poor generalization across geographically diverse regions. This study proposes a Federated deep learning-based model for ETo prediction, enabling collaborative learning across distributed datasets without sharing raw data. The model integrates Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) networks. Key meteorological variables, including maximum temperature (Tmax), minimum temperature (Tmin), mean temperature (Tmean), wind speed (WS), and relative humidity (RH), were utilized as input features. Daily data from 2005 to 2025 were collected across multiple regions in China, Pakistan, and Germany to capture diverse agro-climatic conditions. The proposed model was evaluated using standard regression metrics, including R2, RMSE, MAE, and NSE. The Federated CNN-LSTM model achieved superior performance across all experiments, attaining R2 of up to 0.93, a significantly lower RMSE of 0.50, MAE of 0.40 at the local level, and NSE of 0.93. At the global level, it achieved R2 of 0.95, RMSE of 0.39, MAE of 0.30, and NSE of 0.95. Furthermore, when evaluated on a real-time dataset, the model maintained strong generalization, with R2 and NSE both at 0.86. These results demonstrate that the proposed Federated deep learning-based model not only improves prediction accuracy but also ensures robustness and generalization across diverse climatic regions. The study highlights the potential of federated learning as a scalable and privacy-preserving solution for ETo estimation, supporting advanced decision-making in precision agriculture and water resource management.

Item Type:	Thesis (Masters)
Subjects:	Computer
Department:	College of Computing and Mathematics > Information and Computer Science
Thesis Advisor:	Qasim Umer,
Thesis Committee Members:	Omar Hammad, Fakhri Alam Khan,
Depositing User:	KANIZ DAYA
Date Deposited:	01 Jul 2026 07:34
Last Modified:	01 Jul 2026 07:34
URI:	https://eprints.kfupm.edu.sa/id/eprint/144634