پیشبینی میزان بارش روزانه بر اساس داده های ایستگاه های زمینی با استفاده از الگوریتم های یادگیری ماشین

بارش یکی از مهمترین عوامل تاثیرگذار بر چرخه آب، کشاورزی و مدیریت منابع طبیعی محسوب می شود. تغییرات ناگهانی و نامتوازن در میزان بارش می تواند منجر به خشکسالی ها، سیلاب ها و تغییرات اقلیمی گسترده شود. ازاین رو، پیشبینی دقیق میزان بارش روزانه نقش مهمی در مدیریت منابع آب، کاهش خسارات ناشی از سیلاب ها و برنامه ریزی کشاورزی دارد. در این پژوهش، از الگوریتم های یادگیری ماشین شامل جنگل تصادفی، بیز ساده و روش نزدیک ترین همسایه برای پیشبینی میزان بارش روزانه استفاده شده است. پس از ارزیابی عملکرد این مدل ها با معیارهای دقت، یادآوری، امتیاز F۱ و دقت کلی، مشخص شد که هر یک از مدل ها در برخی کلاس های بارش عملکرد متفاوتی دارند. جنگل تصادفی در طبقه بندی بارش های سبک عملکرد بهتری داشت، درحالیکه مدل بیز ساده تعادل بیشتری در تمامی کلاس ها نشان داد. برای بهبود عملکرد کلی پیشبینی، از روش طبقه بندی رای گیری برای ترکیب خروجی مدل های برتر استفاده شد. نتایج نشان داد که این روش باعث افزایش دقت پیشبینی شده و عملکرد بهتری در شناسایی بارش های متوسط و شدید ارائه می دهد. در مجموع، نتایج این پژوهش نشان می دهد که به کارگیری روش های ترکیبی در یادگیری ماشین می تواند دقت پیشبینی بارش را افزایش داده و به مدیریت بهینه منابع آبی کمک کند.

کلیدواژه ها:

یادگیری ماشین ، پیشبینی بارش ، جنگل تصادفی ، بیز ساده ، نزدیک ترین همسایه