توسعه مدل پیش‌بینی خشکسالی با استفاده از مدل‌های یادگیری ماشین در مناطق ساحلی

این مطالعه با هدف توسعه‌ و مدل سازی خشکسالی در مناطق ساحلی با استفاده از مدل‌های یادگیری ماشین در دوره‌‌ی آماری (1966 تا 2015) انجام شد. بر این اساس، 3 اقلیم در ایستگاه سینوپتیک ساحلی با استفاده از داده های اقلیمی و همچنین روش اصلاح شده دومارتن تعیین شد. با استفاده از دو روش جنگل تصادفی و تقویت گرادیان شدید، متغیرهای موثر از بین متغیرهای اقلیمی و سیگنال‌های بزرگ مقیاس انتخاب شدند و در ادامه، داده‌ها به دو دسته آموزش (70%) و آزمون (30%) تقسیم شدند و توسعه مل پیش‌بینی با استفاده از دو مدل انجام شد و نتایج مدل‌ها بر اساس شاخص‌های ارزیابی خطا است. نمودارها و نقشه های تیلور حرارتی مقایسه شد. نتایج نشان داد در هر دو روش انتخاب موثرترین متغیرهای ورودی به مدل در اقلیم فراخشک گرم ساحلی (بندرعباس و خشک و گرم ساحلی بوشهر) متغیرهای دمایی دمای حداکثر و دمای متوسط، و در اقلیم خیلی مرطوب ساحلی شمال ایران (رامسر) متغیر بارش و دمای حداکثر بدست آمد. در خصوص سیگنال‌های بزرگ مقیاس، در ایستگاه‌های جنوبی ساحلی، سیگنال اقلیمی whwp ، nino3 و tna به ترتیب دارای بیشترین اثر هستند اما در رامسر، tna دارای وزن بیشتری نسبت به سایرین است. نتایج مدل‌سازی نشان داد در ایستگاه که بهترین مدل در ایستگاه رامسر و بندرعباس جنگل تصادفی و در ایستگاه بوشهر boosting معرفی شد. لذا نتایج این تحقیق می‌تواند به بهبود فرآیند تصمیم گیری برای مدیران و برنامه ریزان آب کمک کند.

development of drought prediction model using machine learning models in coastal areas

this study was conducted with the aim of developing and modeling drought in coastal areas using machine learning models in the period from 1966 to 2015. based on this, 3 climates were determined at the coastal synoptic station using climate data and the extended de-martone method. by using two methods of random forest (rf) and extreme gradient boosting (boosting), the effective variables were selected from among climatic variables and large-scale signals, and further, the data were divided into two groups of training (70%) and test (30%) and the development of the forecasting was done using two models and the results of the models are based on error evaluation indicators. the graphs and thermal taylor maps were compared. the results showed that in both methods of selecting the most effective input variables to the model in the hot and dry coastal climate (bandar abbas and dry and hot coastal bushehr) temperature variables are the maximum temperature and average temperature, and in the very humid coastal climate of northern iran (ramsar) the precipitation and temperature variables the maximum was obtained. regarding the large-scale signals, in the southern coastal stations, the climatic signal whwp, nino3 and tna respectively have the most effect, but in ramsar, tna has more weight than others. the modeling results showed that the rf was introduced the best model at ramsar and bandar abbas station and boosting at bushehr station. therefore, the results of this research can help to improve the decision-making process for managers and water planners.