پیش بینی الگوهای بارش با استفاده از تکنیک های یادگیری ماشین

بارش باران یکی از پدیده های اقلیمی حیاتی است که تاثیر بسزایی بر بهره وری کشاورزی، مدیریت منابع آب و آمادگی در برابر بلایای طبیعی دارد. پیش بینی دقیق بارش نه تنها برای افزایش عملکرد محصولات زراعی و تضمین تامین آب ضروری است، بلکه نقش مهمی در کاهش ریسک های مرتبط با سیلاب ها و خشکسالی ها ایفا می کند. روش های سنتی پیش بینی بارش عمدتا مبتنی بر مدل های آماری خطی هستند که دقت محدودی دارند، به ویژه در پیش بینی پدیده های جوی شدید که از روابط پیچیده و غیرخطی میان متغیرهای هواشناسی ناشی می شوند. در این پژوهش، از تکنیک های یادگیری ماشین (ML) برای بهبود دقت پیش بینی بارش در مناطق جغرافیایی مختلف بهره گرفته ایم. با استفاده از داده های تاریخی گسترده ی آب وهوایی شامل متغیرهایی مانند دما، رطوبت، فشار جو و سوابق بارش، مدل های مختلف یادگیری ماشین از جمله جنگل تصادفی (Random Forest)، ماشین بردار پشتیبان (SVM)، و شبکه های حافظه بلند-کوتاه مدت (LSTM) توسعه و ارزیابی شده اند. در این مطالعه، عملکرد مدل ها بر اساس معیارهای کلیدی نظیر میانگین قدر مطلق خطا (MAE)، ریشه میانگین مربع خطا (RMSE) و دقت کلی پیش بینی مورد ارزیابی قرار گرفته است. همچنین، با بهره گیری از تکنیک های انتخاب ویژگی، اثرگذارترین عوامل در الگوهای بارش شناسایی شده اند تا موجب بهینه سازی مدل ها گردند. نتایج به دست آمده نشان می دهد که مدل های یادگیری ماشین می توانند عملکردی به مراتب بهتر از رویکردهای آماری سنتی ارائه دهند و پیش بینی هایی دقیق تر و به موقع تر از بارش ارائه کنند. این پژوهش در راستای توسعه سامانه های پیش بینی پیشرفته گام برمی دارد که می توانند در کاهش پیامدهای منفی الگوهای ناپایدار بارندگی بر کشاورزی و مدیریت بحران موثر باشند و در نهایت به تصمیم گیری های بهتر در بخش های حساس به اقلیم کمک کنند.

کلیدواژه ها:

پیش بینی بارش ، یادگیری ماشین ، جنگل تصادفی ، ماشین بردار پشتیبان ، شبکه حافظه بلند-کوتاه مدت