ارتقاء پایش خشکسالی هواشناسی در مناطق خشک: ادغام داده های بارش ماهواره ای مبتنی بر یادگیری ماشین

پایش دقیق خشکسالی و مدیریت منابع آب در مناطق خشک و نیمه خشک، همواره با چالش کمبود و توزیع نامناسب ایستگاه های زمینی مواجه است. اگرچه محصولات بارش شبکه بندی شده پتانسیل بالایی برای پر کردن خلاهای داده ای دارند، اما وجود خطاهای سیستماتیک و عدم قطعیت های ذاتی در برآورد مقادیر حدی، کارایی آن ها را در مدل سازی هیدرولوژیکی محدود می سازد. پژوهش حاضر با هدف ارتقای دقت پایش خشکسالی هواشناسی در استان خراسان جنوبی، به توسعه یک مدل ادغام شده مبتنی بر الگوریتم یادگیری ماشین پرداخته است. بدین منظور، چهار محصول پرکاربرد شامل TRMM، CHIRPS، GSMaP و ERA۵ به همراه متغیرهای کمکی مکانی-زمانی، به عنوان ورودی های مدل جنگل تصادفی در نظر گرفته شدند و با استفاده از داده های بارش روزانه ایستگاه های سینوپتیک طی دوره ۱۰ ساله (۲۰۱۰–۲۰۱۹) آموزش و اعتبارسنجی گردیدند. ارزیابی عملکرد مدل در مقیاس روزانه نشان داد که محصول ادغام شده با دستیابی به ضریب همبستگی میانه ۸۷/۰، ریشه میانگین مربعات خطای ۷۸/۰ میلی متر در روز و شاخص موفقیت بحرانی ۵۴۵/۰، برتری آماری معناداری نسبت به تمامی محصولات خام دارد. علاوه بر بهبود دقت کمی، ارزیابی هیدرولوژیکی بر اساس شاخص استاندارد بارش بیانگر انطباق بالای محصول اصلاح شده با واقعیت زمینی در هر دو مقیاس کوتاه مدت و بلندمدت بود (با ۸۱/۰R۲ > و ۴۰/۰RMSE <). یافته های این پژوهش اثبات می کند که رویکرد همجوشی هوشمند قادر است با کاهش موثر عدم قطعیت های محصولات بارشی، داده های اقلیمی قابل اتکایی را جهت توسعه سیستم های هشدار زودبه نگام خشکسالی در مناطق فاقد داده فراهم آورد.

کلیدواژه ها:

جنگل تصادفی ، شاخص استاندارد بارش ، اصلاح خطا ، محصولات بارش شبکه بندی شده