شبیه سازی بارش ماهانه با مدل های ترکیبی یادگیری ماشین: حوضه دریاچه نمک

پیش بینی دقیق بارش ماهانه به ویژه در مناطق خشک و نیمه خشک، برای مدیریت منابع آب و برنامه ریزی های هیدرولوژیک اهمیت بالایی دارد. با توجه به کمبود و پراکندگی ایستگاه های زمینی در حوضه دریاچه نمک، استفاده از داده های ماهواره ای با دقت مکانی مناسب، ضرورت می یابد. نوآوری اصلی این پژوهش، ارزیابی کارایی داده های بارش CHIRPS در مدل سازی بارش ماهانه با بهره گیری از طیفی متنوع از مدل های یادگیری ماشین و همچنین بررسی اثربخشی مدل های ترکیبی در افزایش دقت پیش بینی است. در این مطالعه، داده های بارش CHIRPS با تفکیک افقی °۰۵/۰ برای دوره ۲۰۰۰ تا ۲۰۲۴ استخراج و پس از اعتبارسنجی اولیه مورد استفاده قرار گرفت. در این پژوهش برای ارزیابی داده های بارش CHIRPS، طیفی از مدل های یادگیری ماشین شامل مدل های درختی، مدل های رگرسیونی، مدل های کرنلی، مدل های مبتنی بر فاصله و مدل های ترکیبی به منظور مدل سازی رفتار غیرخطی بارش ماهانه مورد استفاده قرار گرفتند. این تنوع رویکردها، امکان ارزیابی تطبیقی ساختارهای مختلف یادگیری و بررسی تاثیر معماری مدل بر دقت پیش بینی را فراهم می سازد. مدل M۵Rules با بدست آوردن ۸۰/۰ =  NSEبهترین عملکرد را در مدل های منفرد داشت. همچنین برای بهبود دقت، بر پایه میانگین گیری ساده، ۱۰۵ مدل ترکیبی به صورت دو به دو تولید و ارزیابی شد و سپس برای پیداکردن بهترین وزن از روش bruteforce (جستجوی فراگیر برای وزن دهی بهینه) استفاده شد. نتایج نشان داد که؛ مدل های ترکیبی به طور کلی عملکرد بهتری نسبت به مدل های منفرد دارند. ترکیب Additive Regression–M۵Rules بهترین عملکرد را نسبت به سایر ترکیب ها با ۱۵۵/۰ =MAE ، ۰۵/۰ =MSE و ۸۸/۰=  NSEارئه کرد. این یافته ها نشان می دهد که ترکیب داده های CHIRPS با مدل های ترکیبی یادگیری ماشین می تواند رویکردی کارآمد و قابل اتکا برای پیش بینی بارش ماهانه در مناطق با شبکه ایستگاهی محدود باشد.

کلیدواژه ها:

الگوریتم های یادگیری ماشین ، پیش بینی داده های اقلیمی ، مدل سازی داده های بارش ، وکا