توسعه یک مدل پیش بینی بلندمدت هواشناسی با رویکرد تلفیق داده در یک حوضه بزرگ مقیاس با داده های مشاهداتی محدود

پیش بینی دقیق بارش نقشی اساسی در مدیریت پایدار منابع آب به ویژه در مواجهه با تغییرات اقلیمی دارد. در این مقاله چارچوبی جامع برای بهبود پیش بینی های بلندمدت بارش ماهانه با زمان پیش دید یک تا شش ماهه بر پایه رویکرد تلفیق داده توسعه داده شد. ابتدا اریب پیش بینی های خام چهار مدل عددی پیش بینی آب و هوا از مجموعه کوپرنیک با استفاده از روش نگاشت چندک تصحیح شد، سپس به منظور ترکیب پیش بینی های تصحیح شده مجموعه ای از مدل های یادگیری ماشین شامل SVR، MLP، XGBoost، AdaBoost، RF، BMA و LightGBM به صورت جداگانه برای هر زمان پیش دید آموزش داده شدند. فراپارامترهای مدل ها به طور خودکار با الگوریتم تخمینگر پارزن ساختار یافته درختی تنظیم شدند. در نهایت پیش بینی های تلفیق شده توسط مدل های تلفیق داده تولید و بر اساس چهار شاخص آماری شامل ضریب پیرسون، NSE، RMSE و KGE ارزیابی شدند. چارچوب پیشنهادی در حوضه آبریز کرخه در غرب ایران به عنوان منطقه ای با پیچیدگی توپوگرافی و اهمیت هیدرولوژیکی بالا، مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل های تلفیق داده با فراپارامترهای بهینه عملکردی به مراتب بهتر از مدل های منفرد دارند و در میان آن ها AdaBoost، MLP و LightGBM بهترین نتایج را ارائه کردند. ترکیب تصحیح اریبی و تلفیق پیش بینی ها به طور میانگین موجب افزایش ضریب پیرسون به میزان ۰/۰۴، واحد کاهش RMSE به میزان ۵ میلی متر و بهبود شاخص های NSE و KGE به ترتیب به میزان ۱۲ و ۰/۰۸ واحد نسبت به بهترین مدل خام NWP شد. در مجموع چارچوب ارائه شده رویکردی کارآمد برای بهبود دقت و قابلیت اطمینان پیش بینی بارش در مناطق پیچیده با داده های مشاهداتی محدود ارائه می کند.

کلیدواژه ها:

پیش بینی بارش ، تلفیق چند مدلی ، مدل سازی همادی ، بهینه سازی خودکار فراپارامترها ، حوضه آبریز کرخه