فهرست نشریات علمی دسترسی آزاد ایران

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.