پیش‎بینی پایدار رطوبت خاک در دشت اسلام‎آباد: رویکرد یادگیری ماشین برای انتخاب مدل‎های اقلیمی و ریزمقیاس‎نمایی

تغییرات اقلیمی و کاهش رطوبت خاک از جمله چالش‎های جدی در مدیریت منابع آب، امنیت غذایی و پایداری محیط‎زیست به شمار می‎روند. این پژوهش به بررسی تغییرات میانگین مقادیر ماهانه رطوبت خاک در موقعیت جغرافیایی ایستگاه سینوپتیک اسلام‎آباد در استان کرمانشاه با استفاده از داده‎های MERRA۲، تاریخی (۱۹۹۱-۲۰۱۴) و سناریوهای آینده (SSP۱-۲.۶، SSP۲-۴.۵ وSSP۵-۸.۵) تمام مدل‎های CMIP۶ موجود (اجرای r۱i۱p۱f۱) در سه دوره آینده نزدیک (۲۰۲۶-۲۰۵۰)، میانی (۲۰۵۱-۲۰۷۵) و دور (۲۰۷۶-۲۱۰۰) پرداخته است. الگوریتم یادگیری ماشین جنگل تصادفی (RF) برای ریزمقیاس‎نمایی و شناسایی موثرترین مدل‎های رطوبت خاک CMIP۶ (با مجموع ۹۸% دقت) با استفاده از ویژگی حذف بازگشتی در ترکیب با روش اعتبارسنجی متقابل k-fold استفاده شد. ۵ مدل از ۱۲ مدل موجود، به دقت ۹۸% در پیش بینی رطوبت خاک دست یافتند. مدلMRI-ESM۲-۰  با دقت ۸۷% به‎عنوان برترین مدل شناسایی شد. ۴ مدل برتر دیگر در مجموع دقت نهایی را به ۹۸% رساندند. ارزیابی RF عملکرد دقیق آن را با معیارهایی نظیر ضریب نش (۹۸/۰ برای آموزش و ۷۸/۰ برای تست) و خطای پایین (۰۱/۰MAD = ، MAE و MBE برابر با صفر) تایید کرد. نتایج نشان‎دهنده کاهش قابل‎توجه مقادیر رطوبت خاک در دوره‎های آینده است. در آینده نزدیک، کاهش ۰۲/۰ تا ۰۴/۰ میلی‎متری در اوت و ماه‎های فصل زمستان پیش‎بینی می‎شود. در آینده میانی و دور کاهش ۰۳/۰تا ۰۵/۰ میلی‎متری تحت SSP۵-۸.۵ برای بیشتر ماه‎ها پیش‎بینی می‎شود. روند میانگین سالانه کاهشی با شیب‎ ۰۰۰۲/۰- در سال تحت SSP۲-۴.۵ و SSP۵-۸.۵ را برای آینده نزدیک شناسایی کرد. در حالیکه SSP۱-۲.۶ روندی با مقدار ۰۰۰۷/۰- میلی‎متر در سال را برای آینده میانی پیش‎بینی می‎کند. نتایج این پژوهش از منظر پایداری محیطی اهمیت ویژه‎ای دارند، زیرا کاهش رطوبت خاک در آینده می‎تواند موجب افزایش تنش آبی، کاهش بهره‎وری کشاورزی و تهدید امنیت غذایی منطقه شود.

کلیدواژه ها:

اسلام‎آباد ، جنگل تصادفی ، رطوبت خاک ، CMIP۶ ، MERRA۲