پیش بینی رطوبت نسبی به وسیله مدل یادگیری ماشین XGBoost، مطالعه موردی: باجگاه، ایران

رطوبت نسبی هوا یکی از مهمترین پارامترهای هیدرولوژیکی است که در مدیریت منابع آب، رشد گیاهان و حتی گیرش بتن تاثیر زیادی دارد. لذا پیش بینی و تخمین آن از اهمیت بسزایی برخوردار است. در این پژوهش از آنجا که پارامترهای رطوبت نسبی و میزان دمای حداقل و حداکثر روزهای قبل، بیشترین تاثیر را در تخمین رطوبت نسبی روز آینده دارند و همچنین وجود آمار تنها این پارامترها در برخی از نقاط کشور، سناریوهای مختلفی مشتمل بر این دو پارامتر مورد مطالعه قرار گرفته است و بهترین سناریو برای پیش بینی رطوبت نسبی با استفاده از مدل XGBoost بدست آمده است. جهت بررسی کارآیی مدل مذکور، منطقه باجگاه در استان فارس مورد تحلیل قرار گرفته و با استفاده از آمار مربوط به سی سال گذشته (۱۳۷۲تا ۱۴۰۲) صحت و دقت سناریوهای مختلف مورد مقایسه قرار گرفته اند. در این راستا ابتدا مقادیری برای داده های گمشده به کمک KNN Imputer تخمین زده شده است. سپس میزان ارتباط داده های پیشین به کمک همبستگی پیرسون بین متغیر هدف (رطوبت نسبی روز t) و میانگین رطوبت روزانه در بازه یک تا ده روز قبل، محاسبه شده و با توجه به نتایج حاصله مبنی بر کم تاثیر بودن آمار روز چهارم به قبل، آمار مربوط به سه روز قبل مورد استفاده قرار گرفته است. در نهایت بر اساس مقایسه نتایج حاصل از ۶ شاخص آماری RMSE, MAE, MARE, MXARE, NSE و R۲، مشخص گردید سناریو مبتنی بر رطوبت نسبی و دمای حداکثر و حداقل ۳ روز قبل بهترین تخمین را ارایه می دهد.

کلیدواژه ها:

رطوبت نسبی ، مدل XGBoost ، یادگیری ماشین ، باجگاه