ارزیابی عملکرد مدل یادگیری ماشین تقویت گرادیان شدید در پیش بینی زمانی ارتفاع بارش با هدف بهبود دقت تخمین بارش در مناطق بدون داده

تخمین ارتفاع بارش در مناطق فاقد اندازه گیری میدانی، به دلیل کاربرد وسیع آن در موضوعات مرتبط با مدیریت منابع آب، اهمیت فراوانی دارد. در این پژوهش، کارایی الگوریتم یادگیری ماشین تقویت گرادیان شدید (XGBoost) برای پیش بینی ارتفاع بارش در افق های پیش بینی کوتاه مدت، از مقیاس روزانه تا میانگین هفت روزه در حوضه آبریز کرخه ارزیابی شده است. برای این منظور، از داده های سه ساعته بارش، دمای هوا و رطوبت نسبی ثبت شده در ایستگاه های سینوپتیک حوضه در بازه زمانی دی ماه ۱۳۷۹ تا بهمن ماه ۱۴۰۲ استفاده شد. سپس مراحل پیش پردازش داده شامل تکمیل داده های ثبت نشده توسط ایستگاه ها، تبدیل داده های سه ساعته ی بارش، رطوبت نسبی و دمای هوای به روزانه، و حذف داده های پرت انجام شد. همچنین برای لحاظ کردن اثر تاریخچه ی بارش، رطوبت نسبی و دمای هوا در پیش بینی بارش روز جاری، وقفه های زمانی یک تا هفت روز گذشته به داده ها اعمال شد و در قالب هفت سناریوی مختلف، این داده ها به عنوان ورودی های مدل یادگیری ماشین آماده شدند. نتایج بخش آزمون نشان داد که دقت پیش بینی مدل با استفاده ی هر چه بیشتر از اطلاعات تاریخی افزایش می یابد؛ به طوری که در سناریوی هفت روزه، مدل با مقدار R۲=۰.۹۳، RMSE=۰.۴۱ میلی متر و MAE=۰.۱۹ میلی متر نسبت به سناریوی یک روزه با شاخص های R۲=۰.۴۶، RMSE=۱.۱۳ میلی متر و MAE=۰.۶۱ میلی متر عملکرد دقیق تری در پیش بینی زمانی بارش ها نشان داد.

کلیدواژه ها:

پیش بینی ارتفاع بارش ، یادگیری ماشین ، تقویت گرادیان شدید (XGBoost) ، حوضه آبریز کرخه