فهرست نشریات علمی دسترسی آزاد ایران

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.