فهرست نشریات علمی دسترسی آزاد ایران

تخمین ارتفاع بارش در مناطق فاقد اندازه‌گیری میدانی،‌ به دلیل کاربرد وسیع آن در موضوعات مرتبط با مدیریت منابع آب، اهمیت فراوانی دارد. در این پژوهش، کارایی الگوریتم یادگیری ماشین تقویت گرادیان شدید (XGBoost) برای پیش‌بینی ارتفاع بارش در افق‌های پیش‌بینی کوتاه‌مدت، از مقیاس روزانه تا میانگین هفت‌روزه در حوضه آبریز کرخه ارزیابی شده است. برای این منظور، از داده‌های سه‌ساعته بارش، دمای هوا و رطوبت نسبیِ ثبت‌شده در ایستگاه‌های سینوپتیک حوضه در بازه زمانی دی‌ماه 1379 تا بهمن‌ماه 1402 استفاده شد. سپس مراحل پیش‌پردازش داده شامل تکمیل داده‌های ثبت نشده توسط ایستگاه‌ها، تبدیل داده‌های سه ساعته‌ی بارش، رطوبت نسبی و دمای هوای به روزانه، و حذف داده‌های پرت انجام شد. همچنین برای لحاظ کردن اثر تاریخچه‌ی بارش، رطوبت نسبی و دمای هوا در پیش‌بینی بارش روز جاری، وقفه‌های زمانی یک تا هفت روز گذشته به داده‌ها اعمال شد و در قالب هفت سناریوی مختلف، این داده‌ها به‌عنوان ورودی‌های مدل یادگیری ماشین آماده شدند. نتایج بخش آزمون نشان داد که دقت پیش‌بینی مدل با استفاده‌ی هر چه بیشتر از اطلاعات تاریخی افزایش می‌یابد؛ به‌طوری‌که در سناریوی هفت روزه، مدل با مقدار R2=0.93، RMSE=0.41 میلی‌متر و MAE=0.19 میلی‌متر نسبت به سناریوی یک روزه با شاخص‌های R2=0.46، RMSE=1.13 میلی‌متر و MAE=0.61 میلی‌متر عملکرد دقیق‌تری در پیش‌بینی زمانی بارش‌ها نشان داد.