تعیین عدم قطعیت در بازسازی سری زمانی بارش با استفاده از الگوریتم XGBOOST (مطالعه موردی حوضه آبریز چنارسوخته فارس)

مقدمه: در این پژوهش، از یک مدل هوش مصنوعی برای بازسازی داده های بارش و تحلیل عدم قطعیت استفاده شده است.روش­: در این تحقیق یک چارچوب برای تخمین بارش روزانه در سال با کمک مدل XGBOOST توسعه داده شده است. همچنین بازه اطمینان هر تخمین به دست آمده است. از داده های بارش در ایستگاه های قلات، خانزنیان و سازمان آب به عنوان پارامترهای ورودی و از داده های ایستگاه مارون به عنوان پارامتر هدف استفاده شده است. سپس با استفاده از داده های تطویل شده بارندگی با دوره بازگشت ۱۰۰ ساله محاسبه شد.یافته ­ها: نتایج نشان داد که مدل XGBOOST قابلیت خوبی برای پیش بینی بارش روزانه دارد. میزان همبستگی داده های تطویل داده شده ایستگاه مارون با ایستگاه های مجاور با میزان همبستگی داده های مشاهداتی ایستگاه مارون با ایستگاه های مجاور به یکدیگر نزدیک می باشد که نشان دهنده قدرت خوب مدل XGBOOST می باشد. بازه اطمینان معیار R۲ با قابلیت اعتماد ۹۵ درصد، در مرحله آموزش بین ۸۷۷/۰و ۹۳۶/۰ و در مرحله آزمایش بین ۷۵۶/۰ و ۹۲۹/۰ می باشد که نسبتا اعداد بالا و نزدیک به یک می باشند.نتیجه ­گیری: نتایج این تحقیق نشان می دهد که مدل XGBOOSTدر پیش بینی و بازسازی داده های بارش با دقت مناسبی عمل کرده و عدم قطعیت موجود را به میزان قابل توجهی کاهش داده است. این ویژگی های مدل امکان استفاده از آن را در برنامه ریزی و مدیریت منابع آب و همچنین در کشاورزی فراهم می آورد.

کلیدواژه ها:

داده ناموجود ، یادگیری ماشین ، پیش بینی بارندگی ، XGBOOST