فهرست نشریات علمی دسترسی آزاد ایران

در این پژوهش، عملکرد مدل‌های یادگیری ماشین در پیش‌بینی بارش یک روزه ایستگاه مشهد با استفاده از داده‌های روزانه دوره ۲۰۰۰ تا ۲۰۲۳ مورد بررسی قرار گرفت. برای این منظور، سه گروه (سناریو) از داده‌ها در نظر گرفته شد: (۱) داده‌های سطح زمین، (۲) داده‌های جو بالا و (۳) ترکیب هر دو مجموعه داده. پیش از مدل‌سازی، متغیرهای دارای هم‌خطی بالا با استفاده از شاخص VIF شناسایی و حذف شدند تا از استقلال آماری ویژگی‌های ورودی اطمینان حاصل شود. در سناریوی ترکیبی، پس از ادغام داده‌ها، از روش انتخاب ویژگی حذف شناور (SFFS) برای گزینش شش شاخص مؤثر استفاده گردید که شامل چهار متغیر جو بالا (v700، Rel_Hum300، Spe_Hum500 و v500) و دو متغیر سطح زمین (nm وUmax ) بودند. نتایج ارزیابی مدل‌ها نشان داد که در تمامی سناریوهای مطالعه‌شده، الگوریتم CatBoost به ‌عنوان بهترین مدل شناسایی شد. در سناریوی اول (داده‌های سطح زمین)، CatBoost با MAE برابر 0.841، RMSE معادل 2.309، R² برابر 0.171 و Adjusted R² برابر 0.168، عملکردی برتر از سایر الگوریتم‌ها داشت. در سناریوی دوم (داده‌های جو بالا)، CatBoost دوباره پیشتاز ظاهر شد و با MAE برابر 0.772، RMSE معادل 2.294، R² برابر 0.182 و Adjusted R² برابر 0.175، کارایی بالاتری نسبت به رقبا از خود نشان داد. در نهایت، در سناریوی سوم (ترکیب داده‌های سطح زمین و جو بالا)، CatBoost با بهره‌گیری از شش ویژگی منتخب، بهترین نتایج را کسب کرد: R² = 0.190، Adjusted R² برابر 0.188 و RMSE = 2.283. یافته‌ها نشان می‌دهد که تلفیق داده‌های سطح زمین و جو بالا، همراه با انتخاب بهینه ویژگی‌ها، نه‌تنها دقت پیش‌بینی را افزایش می‌دهد، بلکه تعادل مناسبی میان پیچیدگی مدل و توان پیش‌بینی را ایجاد می‌کند. مدل CatBoost در این سناریو توانسته است بارش‌های خفیف و متوسط را با خطای کم پیش‌بینی کند و روند کلی نوسانات بارش را به‌خوبی دنبال نماید.