واسنجی بارش روزانه ERA۵ با استفاده از الگوریتم های MLP، D-Tree و KNN در استان خراسان رضوی

محصولات ماهواره ای تنها منبع داده موجود با پوشش فضایی مناسب است، با این وجود، داده های آن ها بر مقادیر مشاهداتی منطبق نبوده و دارای انحراف است، هرچند این عدم تطابق به طور دقیق قابل رفع نیست، با این حال، یک راه حل کاهش سوگیری، واسنجی داده هاست. در حال حاضر، تکنیک های یادگیری ماشین برای بهبود دقت پیش بینی انواع مختلف پدیده های آب و هوایی به کار گرفته می شوند، لذا حل رگرسیونی مسائلی از این قبیل از طریق روش های مبتنی بر یادگیری ماشین و آموزش عمیق بسیار کارآمد است. باراش روزانه ۱۹ ایستگاه باران سنج ثبات وزارت نیرو بین سال های ۲۰۱۰ تا ۲۰۲۱ میلادی استخراج شد و در مقابل مقادیر متوسط پیکسل های بارش روزانه متناظر آن ها در پایگاه داده ERA۵ قرارگرفت. به منظور واسنجی داده ها، از سه الگوریتم D-Tree، KNN و MLP استفاده شد. دامنه تغییرات ضریب همبستگی در MLP، D-Tree و KNN به ترتیب برابر [۰.۸۷, ۰.۹۸]، [۰.۷۵, ۰.۹۷] و [۰.۴, ۰.۸۷] است. هم چنین این دامنه تغییرات برای RMSE در MLP بین ۷/۰ تا ۴/۲ میلی متر در روز متغیر بوده و این تغییرات برای D-Tree و KNN به ترتیب بین ۸/۰ تا ۲/۲ و ۲/۱ تا ۵/۲ محاسبه شده اند. در ۷۵ درصد ایستگاه ها RMSE در الگوریتم های MLP، D-Tree و KNNبه ترتیب کم تر از ۵/۱، ۹/۱ و ۲/۲ میلی متر در روز است. دامنه تغییرات سوگیری در MLP، [۱۸/۰، ۶/۰- میلی متر در روز] بوده و این دامنه تغییرات برای D-Tree و KNN به ترتیب [۱۶/۰، ۵/۰ میلی متر در روز] و [۶/۰، ۸/۰- میلی متر در روز] محاسبه شده اند. سوگیری داده های اصلاحی و مقادیر مشاهده شده، در الگوریتم های MLP، D-Tree و KNN برای میانه ایستگاه ها به ترتیب برابر ۰۹/۰-، ۱۱/۰- و ۱۶/۰- میلی متر در روز است. ارزیابی عملکرد سه الگوریتم یادگیری ماشین (MLP، D-Tree و KNN) در تصحیح بارش روزانه پایگاه داده ERA۵ و مقایسه شاخص های آماری CC، RMSE و سوگیری برای داده های بازتولید شده نسبت به مقادیر زمینی نشان داد که در هر سه شاخص آماری الگوریتم MLP نسبت به دوالگوی دیگر بهتر عمل نموده و از دقت مناسبی برای تصحیح بارش روزانه برخوردار است.

کلیدواژه ها:

Calibration ، database ، statistical indicators ، machine learning ، پایگاه داده ، شاخص های آماری ، یادگیری ماشین ، واسنجی