بازسازی داده های گمشده اقلیمی با استفاده از ترکیب روش بازسازی چندگانه با معادلات زنجیره ای (MICE) و مدل های تقویتی یادگیری ماشین در حوضه آبریز دریاچه ارومیه

در دسترس بودن داده های کامل و دقیق اقلیمی، نقش کلیدی در تحلیل های اقلیم شناسی، مطالعات هیدرولوژیکی و مدیریت منابع آب دارد. با این حال، داده های ثبت شده در ایستگاه های هواشناسی معمولا با گمشدگی مواجه اند که در صورت بازسازی نادرست می تواند موجب انحراف در نتایج مدل سازی شود. در این پژوهش، به منظور بازسازی داده های گمشده اقلیمی در شش ایستگاه منتخب تبریز، بناب، ارومیه، مراغه، سقز و سراب، واقع در حوضه آبریز دریاچه ارومیه، چهار مدل شامل MICE، MICE–GBR، MICE–XGB و MICE–LGBM مورد بررسی و مقایسه قرار گرفتند. برای ارزیابی کارایی مدل ها از شاخص های آماری R۲، NRMSE، |PBIAS|  و KGE استفاده شد. نتایج نشان داد مدل های ترکیبی مبتنی بر الگوریتم های تقویتی نسبت به مدل پایه MICE عملکرد دقیق تر و باثبات تری دارند. در میان آن ها، مدل MICE–XGB با میانگین R۲ بالاتر از ۹۰/۰ و KGE بیش از ۹۲/۰ در اغلب ایستگاه ها بهترین نتایج را ارائه داد. کمترین خطاها در متغیرهای دمایی و بیشترین در متغیرهای وابسته به ابرناکی مشاهده شد. مقدار |PBIAS∣  در تمام مدل ها کمتر از ۰۲۵/۰ درصد بود که نشان دهنده عدم وجود بایاس سیستماتیک قابل توجه است. همچنین مقایسه زمان اجرای مدل ها نشان داد روش های تقویتی علی رغم دقت بالا، از نظر محاسباتی بهینه و مقرون به صرفه هستند. در مجموع، یافته ها بیانگر کارایی بالای مدل های ترکیبی MICE با یادگیری تقویتی در بازسازی داده های اقلیمی و پیشنهاد به کارگیری آن ها در تحلیل های اقلیمی و هیدرولوژیکی آتی است.

کلیدواژه ها:

الگوریتم MICE ، بازسازی داده های گمشده ، حوضه آبریز دریاچه ارومیه ، متغیرهای اقلیمی ، یادگیری تقویتی