کاربرد الگوریتم های یادگیری ماشین در پیش بینی مساحت آبی خلیج گرگان با بهره گیری از داده های هیدرولوژیکی و اقلیمی

این مطالعه به پیش بینی تغییرات مساحت آبی خلیج گرگان با استفاده از داده های هیدرولوژیکی، ماهواره ای و اقلیمی شامل دما، بارش، دبی، تراز آب و مساحت آبی (MNDWI) دریای خزر در بازه زمانی ۲۰۰۰ تا ۲۰۲۳ پرداخت. به منظور مدل سازی این تغییرات، روش های پیشرفته یادگیری ماشین شامل XGBoost، شبکه عصبی RBFN، جنگل تصادفی و رگرسیون خطی استفاده شد. ارزیابی روابط میان متغیرها با استفاده از ضریب همبستگی و تحلیل رگرسیونی خطی انجام شد. شاخص های ارزیابی مدل شامل RMSE، MAE، MAPE، MBE و R² بوده و پنج سال به طور تصادفی داده های واقعی با داده های پیش بینی مقایسه شد. بر اساس نتایج، تغییرات تراز آبی دریای خزر بیشترین همبستگی را با مساحت آبی خلیج گرگان داشت (ضریب همبستگی ۹۰/۰ و معنی داری ۰۰۱/۰). ارتباط مساحت دریای خزر با خشک شدن خلیج گرگان ضریب همبستگی ۶۶/۰ و ضریب تعیین ۴۳/۰، و دبی ورودی با ضریب پیرسون ۶۳/۰ و ضریب تعیین ۴۰/۰ بود. بارش و دما با ضریب همبستگی ۴۳/۰ و ۳۴/۰- کمترین تاثیر را داشته است. نتایج ارزیابی مدل ها نشان داد که مدل XGBoost با ضریب تعیین ۹۳/۰ و خطای میانگین درصدی مطلق ۹/۴%، ریشه میانگین مربعات خطا ۹/۱۶ و میانگین مطلق خطا ۳/۱۵ بهترین عملکرد را داشت. در نهایت، پنج سال به طور تصادفی از جمله سال های ۲۰۰۰، ۲۰۰۸، ۲۰۱۱، ۲۰۱۶ و ۲۰۱۸ برای پیش بینی مساحت آبی خلیج گرگان توسط مدل انتخاب شد. نتایج نشان داد که تمامی مدل ها توانستند نوسانات داده ها را به طور مناسب شبیه سازی کنند، اما مدل XGBoost بهترین عملکرد را داشت.

کلیدواژه ها:

تراز آب دریای خزر ، سنجش از دور ، یادگیری ماشین ، مدل سازی آماری و تغییرات مساحت آب