فلاح کلاکی, محمد, عزیزیان, اصغر, رمضانی اعتدالی, هادی. (1404). ارزیابی عملکرد روش‌های مبتنی بر یادگیری ماشین و روش‌های آماری سنتی در تصحیح اریبی داده‌های بارش مدل‌های اقلیمی CMIP6. , 56(11), 3087-3106. doi: 10.22059/ijswr.2025.402248.670007
محمد فلاح کلاکی; اصغر عزیزیان; هادی رمضانی اعتدالی. "ارزیابی عملکرد روش‌های مبتنی بر یادگیری ماشین و روش‌های آماری سنتی در تصحیح اریبی داده‌های بارش مدل‌های اقلیمی CMIP6". , 56, 11, 1404, 3087-3106. doi: 10.22059/ijswr.2025.402248.670007
فلاح کلاکی, محمد, عزیزیان, اصغر, رمضانی اعتدالی, هادی. (1404). 'ارزیابی عملکرد روش‌های مبتنی بر یادگیری ماشین و روش‌های آماری سنتی در تصحیح اریبی داده‌های بارش مدل‌های اقلیمی CMIP6', , 56(11), pp. 3087-3106. doi: 10.22059/ijswr.2025.402248.670007
فلاح کلاکی, محمد, عزیزیان, اصغر, رمضانی اعتدالی, هادی. ارزیابی عملکرد روش‌های مبتنی بر یادگیری ماشین و روش‌های آماری سنتی در تصحیح اریبی داده‌های بارش مدل‌های اقلیمی CMIP6. , 1404; 56(11): 3087-3106. doi: 10.22059/ijswr.2025.402248.670007

ارزیابی عملکرد روش‌های مبتنی بر یادگیری ماشین و روش‌های آماری سنتی در تصحیح اریبی داده‌های بارش مدل‌های اقلیمی CMIP6

تحقیقات آب و خاک ایران
دوره 56، شماره 11، بهمن 1404، صفحه 3087-3106    اصل مقاله (1.47 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/ijswr.2025.402248.670007
نویسندگان
محمد فلاح کلاکی1؛ اصغر عزیزیان* 2؛ هادی رمضانی اعتدالی3
1دانشجوی دکتری مهندسی منابع آب، گروه علوم و مهندسی آب، دانشگاه بین المللی امام خمینی، قزوین، ایران
2دانشیار، گروه علوم و مهندسی آب، دانشگاه بین المللی امام خمینی، قزوین، ایران
3استاد، گروه علوم و مهندسی آب، دانشگاه بین المللی امام خمینی، قزوین، ایران
چکیده
مدل‌های اقلیمی جهانی ابزارهای کلیدی در بررسی و پیش‌بینی روندهای آتی اقلیمی به شمار می‌روند. بااین‌حال، این مدل‌ها دارای خطای سیستماتیک (bias) در پیش‌بینی پارامترهای اقلیمی هستند. در این تحقیق، تأثیر روش‌های اصلاح اریبی آماری سنتی مقیاس‌گذاری خطی (LS) و نگاشت چندک (QM) و روش‌های مبتنی بر یادگیری ماشین تقویت گرادیانی پیشرفته (XGBoost) و شبکه عصبی حافظه طولانی کوتاه‌مدت (LSTM) بر بهبود عملکرد مدل‌های CMIP6 پایگاه NEX-GDDP در پیش‌بینی بارش برای دوره تاریخی (1961–2014) و دوره آینده (2100-2025) در حوضه آبریز پلدختر به‌عنوان منطقه‌ای با حساسیت هیدرولوژیکی و وقوع مکرر سیلاب‌های مخرب، مورد ارزیابی قرار گرفت. نتایج نشان داد که خروجی خام مدل‌های اقلیمی دارای اریبی قابل‌توجه بوده و قابلیت استفاده مستقیم در مطالعات هیدرولوژیکی را ندارند. روش مقیاس‌گذاری خطی (LS) موجب کاهش نسبی خطا و بهبود شاخص‌های عملکرد شد، درحالی‌که نگاشت چندک (QM) موجب افزایش RMSE (تا 3/10 میلی‌متر و افت NSE تا 5/2- شد. در روش‌های مبتنی بر یادگیری ماشین، XGBoost با افزایش r تا 67/0، NSE تا 44/0 و KGE بیش از 4/0 بالاترین دقت را نشان داد، درحالی‌که LSTM خطای سامانمند را اصلاح کرد اما در بازتولید نوسانات و همبستگی زمانی داده‌ها محدود بود. یافته‌ها می‌توانند به‌عنوان پایه‌ای مناسب برای تحلیل‌های آینده‌نگر تغییر اقلیم و مدیریت منابع آب در حوضه پلدختر مورداستفاده قرار گیرند.
کلیدواژه‌ها
اصلاح اریبی؛ یادگیری ماشین؛ حوضه آبریز پلدختر
مراجع
آمار
تعداد مشاهده مقاله: 521
تعداد دریافت فایل اصل مقاله: 340