مدل سازی بارش روزانه و ماهانه تبریز با استفاده از مدل های یادگیری جمعی و رگرسیون درخت تصمیم

بارش یکی از مهم­ترین مولفه­های هیدرولوژی و هواشناسی است که پیش­بینی مقادیر آن در زمینه­های مختلفی همچون کشاورزی، شرب، صنعت، بهداشت، اقلیم و محیط­زیست از اهمیت ویژه ای برخوردار است. با توجه به اینکه وقوع، نوع و میزان بارش به عوامل بسیار زیادی بستگی دارد، مدل سازی و پیش­بینی مقدار بارش همواره دارای پیچیدگی ها و چالش های فراوان بوده است. در این پژوهش از داده­های پارامترهای هواشناسی ایستگاه همدیدی تبریز شامل دماهای کمینه، بیشینه و میانگین، رطوبت نسبی میانگین، فشار هوای میانگین، سرعت باد بیشینه و بارش در مقیاس های زمانی روزانه و ماهانه در یک دوره ۳۵ ساله (۲۰۲۰-۱۹۸۶) استفاده شد. از روش های یادگیری ماشین و یادگیری جمعی شامل شبکه عصبی مصنوعی پرسپترون چندلایه (MLP)، جنگل تصادفی (RF)، آدابوست (AB)، تقویت گرادیان (GB)، درختان اضافی (ET) و مدل رگرسیون درخت تصمیم (DTR) برای مدل سازی بارش استفاده شد. بدین منظور ۷۰ درصد از داده­ها برای آموزش و ۳۰ درصد از داده ها نیز برای آزمون مدل ها در نظر گرفته شدند. برای ارزیای مدل های مورد استفاده، از معیارهای آماری ضریب همبستگی (R)، جذر میانگین مربعات خطاها (RMSE)، میانگین خطای مطلق (MAE) و کلینگ گوپتا (KGE) استفاده شد. مطابق نتایج این تحقیق در مقیاس روزانه مدل MLP با ۹۹۳/۰R=، ۱۸۴/۰RMSE= میلی متر، ۱۸۴/۰MAE= میلی متر و ۸۲/۰KGE= و مدل ET با ۹۸۶/۰R=، ۳۲۴/۰RMSE= میلی متر، ۳۲۴/۰MAE= میلی متر و ۷۵/۰KGE= و در مقیاس ماهانه به ترتیب مدل MLP با ۹۹۹/۰R=، ۱۵۳/۰RMSE= میلی متر، ۲۲۲/۰MAE= میلی متر و ۸۸/۰KGE= و مدل ET با ۹۸۱/۰R=، ۲۶۶/۰RMSE= میلی متر، ۱۹۷/۰MAE= میلی متر و ۷۱/۰KGE= از بیشترین دقت و کمترین خطا برخوردارند. به طورکلی نتایج این پژوهش نشان دهنده عملکرد بسیار مناسب مدل­های یادگیری ماشین و یادگیری جمعی در مدل سازی بارش در هر دو مقیاس زمانی روزانه و ماهانه است.

کلیدواژه ها:

بارش ، جنگل تصادفی ، درختان اضافی ، یادگیری جمعی ، شبکه های عصبی مصنوعی