توسعه مدل پیش بینی خشکسالی با استفاده از مدل های یادگیری ماشین در مناطق ساحلی

این مطالعه با هدف توسعه و مدل سازی خشکسالی در مناطق ساحلی با استفاده از مدل های یادگیری ماشین در دوره ی آماری (۱۹۶۶ تا ۲۰۱۵) انجام شد. بر این اساس، ۳ اقلیم در ایستگاه سینوپتیک ساحلی با استفاده از داده های اقلیمی و همچنین روش اصلاح شده دومارتن تعیین شد. با استفاده از دو روش جنگل تصادفی و تقویت گرادیان شدید، متغیرهای موثر از بین متغیرهای اقلیمی و سیگنال های بزرگ مقیاس انتخاب شدند و در ادامه، داده ها به دو دسته آموزش (۷۰%) و آزمون (۳۰%) تقسیم شدند و توسعه مل پیش بینی با استفاده از دو مدل انجام شد و نتایج مدل ها بر اساس شاخص های ارزیابی خطا است. نمودارها و نقشه های تیلور حرارتی مقایسه شد. نتایج نشان داد در هر دو روش انتخاب موثرترین متغیرهای ورودی به مدل در اقلیم فراخشک گرم ساحلی (بندرعباس و خشک و گرم ساحلی بوشهر) متغیرهای دمایی دمای حداکثر و دمای متوسط، و در اقلیم خیلی مرطوب ساحلی شمال ایران (رامسر) متغیر بارش و دمای حداکثر بدست آمد. در خصوص سیگنال های بزرگ مقیاس، در ایستگاه های جنوبی ساحلی، سیگنال اقلیمی WHWP ، NINO۳ و TNA به ترتیب دارای بیشترین اثر هستند اما در رامسر، TNA دارای وزن بیشتری نسبت به سایرین است. نتایج مدل سازی نشان داد در ایستگاه که بهترین مدل در ایستگاه رامسر و بندرعباس جنگل تصادفی و در ایستگاه بوشهر Boosting معرفی شد. لذا نتایج این تحقیق می تواند به بهبود فرآیند تصمیم گیری برای مدیران و برنامه ریزان آب کمک کند.

کلیدواژه ها:

خشکسالی ، یادگیری ماشینی ، دیاگرام تیلور ، جنگل تصادفی