ریزمقیاسنمایی رطوبت سطحی خاک GLDAS با استفاده از الگوریتمهای یادگیری ماشین و ارزیابی عملکرد آنها در اقلیمهای مختلف ایران | ||
| مجله اکوهیدرولوژی | ||
| دوره 12، شماره 4، زمستان 1404، صفحه 982-1004 اصل مقاله (1.51 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ije.2026.404312.1891 | ||
| نویسندگان | ||
| سیده مهسا موسوی رینه1؛ سامان جوادی* 2؛ حسین یوسفی سهزابی3؛ امین رضا نشاط4؛ علیرضا مساح بوانی5 | ||
| 1مهندسی منابع آب، گروه مهندسی آب، پردیس ابوریحان، دانشگاه تهران | ||
| 2عضو هیات علمی گروه آب پردیس ابوریحان دانشگاه تهران | ||
| 3دانشکدگان علوم و فناوری های میان رشته ای، دانشگاه تهران، تهران، ایران | ||
| 4گروه مهندسی عمران، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران | ||
| 5گروه مهندسی آب، پردیس ابوریحان، دانشگاه تهران، تهران، ایران | ||
| چکیده | ||
| موضوع: ریزمقیاسنمایی دادههای رطوبت سطحی خاک پایگاه داده GLDAS به دلیل محدودیت دادههای مشاهدهای رطوبت خاک و دقت مکانی پایین دادههای بازتحلیل، نیازمند بهرهگیری از الگوریتمهای یادگیری ماشین است. هدف: آموزش و ارزیابی عملکرد الگوریتمهای یادگیری ماشین در ریزمقیاسنمایی رطوبت سطحی خاک GLDASدر نواحی اقلیمی مختلف ایران. روش تحقیق: الگوریتمهای Random Forest، XGBoost، CatBoost و LightGBM برای ریزمقیاسنمایی به کار گرفته شدند. ورودی مدلها شامل متغیرهای اقلیمی ایستگاهی (دمای حداقل و حداکثر، بارش و تبخیر) و ویژگیهای مکانی ایستگاهها در مقیاس ماهانه و طی دورهای ۳۱ساله بود. مدلها با استفاده از مقادیر رطوبت سطحی خاک GLDAS آموزش داده شدند و خروجی آنها رطوبت خاک ریزمقیاسشده در تفکیک مکانی بالاتر است. دادههای رطوبت خاک مشاهدهای فقط برای اعتبارسنجی مستقل استفاده شدند. تقسیم دادهها به مجموعههای آموزش (80 درصد) و آزمون (20 درصد) بر اساس ترتیب زمانی انجام شد. یافتهها: الگوریتم CatBoost با ارائۀ ضریب تعیین فراتر از 73/0 در تمامی نواحی اقلیمی مورد مطالعه، توانمندی بالایی در استخراج الگوهای غیرخطی رطوبت خاک دارد. علیرغم وابستگی دقت به ویژگیهای اقلیمی و پراکندگی مکانی دادهها، CatBoost به دلیل قابلیت تعمیمپذیری بالا و عملکرد مطلوب در اعتبارسنجی مستقل در سطح ملی (R² = 0.607، RMSE = 4.286، Bias = 2.131)، الگوریتمی کارآمد برای پیشبینی رطوبت خاک در تمامی پهنههای مورد مطالعه شناخته شد. نتیجهگیری: نتایج نشان میدهد الگوریتمهای یادگیری ماشین، بهویژه CatBoost، چارچوبی کارآمدی برای ریزمقیاسنمایی مدلمحور رطوبت سطحی خاک GLDAS در مقیاس منطقهای و ملی فراهم میکنند و میتوانند در پایش خشکسالی و مدیریت منابع آب در مناطق فاقد دادههای مشاهدهای کافی مورد استفاده قرار گیرند. | ||
| کلیدواژهها | ||
| ریزمقیاسنمایی؛ رطوبت خاک؛ GLDAS؛ یادگیری ماشین؛ الگوریتم CatBoost | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 334 تعداد دریافت فایل اصل مقاله: 248 |
||