پیش‌بینی بارش درازمدت شهر ایلام با کاربرد مدل‌ ترکیبی ماشین یادگیری

هدف: هدف از این پژوهش، پیش‌بینی بارش درازمدت شهر ایلام با کاربرد مدل‌ ترکیبی ماشین یادگیری است. روش پژوهش: در این مطالعه، بارندگی درازمدت شهر ایلام در یک بازه زمانی 44ساله از 1980 تا 2024 توسط یک مدل ترکیبی ماشین یادگیری شبیه سازی گردید. استان ایلام ازلحاظ قرارگیری در عرض‌های مختلف جغرافیایی، وضعیت توپوگرافی خاص دارای پراکندگی بارش ناموزونی است. در این تحقیق بعد از جمع‌آوری داده‌ها ابتدا میانگین تعداد ماه‌های بارش برای هرکدام از ایستگاه‌های موردمطالعه برای یک دوره‌ی به دست آمد. جهت پیش‌بینی از  مدل ماشین یادگیری استفاده گردید. در گام نخست داده های مشاهداتی نرمال سازی شدند و بهترین ضرایب نرمال سازی برای این مطالعه بدست آمدند. تقریبا 70 درصد داده های مشاهداتی برای آموزش مدل های هوش مصنوعی و مابقی 30% نیز جهت آزمون آنها به کار گرفته شدند.در ادامه، تعداد بهینه نرون های لایه مخفی به همراه بهترین تابع فعال سازی مدل orelm با اجرای یک پروسه سعی و خطا انتخاب شدند. در این مطالعه، پارامتر منظم سازی (regularization parameter) مدل orelm نیز بهینه سازی گردید. همچنین، با استفاده از تابع خودهمبستگی (acf) تاخیرهای موثر داده های سری زمانی شناسایی شدند و با استفاده از این تاخیرها، چهارده مدل orelm توسعه داده شدند. یافته‌ها: بررسی توابع فعال سازی مختلف نشان داد که tribas بهترین تابع فعال سازی جهت شبیه سازی بارش های شهر ایلام توسط این ماشین یادگیری ترکیبی بود. مدل orelm 9 به‌عنوان مدل برتر معرفی شد و مقادیر vaf، r و nsc برای آن به ترتیب برابر با 93.157، 0.965 و 0.925 بودند. همچنین، تاخیرهای شماره (t-1)، (t-2)، (t-3) و (t-10) به‌عنوان موثرترین تاخیرهای داده های سری زمانی بارش شهر ایلام شناسایی شدند. در انتها نتایج مدل ترکیبی orelm با مدل های هوش مصنوعی elm و orelm مقایسه گردید که مقایسه مذکور نشان دهنده عملکرد بهتر مدل ترکیبی orelm بود. نتیجه‌گیری: با تجزیه‌وتحلیل نتایج مدل های ده گانه orelm، بهترین مدل به همراه موثرترین تاخیرهای داده های سری زمانی معرفی گردید. در انتها نتایج مدل ترکیبی orelm با سایر ماشین های یادگیری نیز مقایسه شد که این مقایسه حاکی از عملکرد بهتر مدل orelm بود.

long-term precipitation forecasting for ilam city using a hybrid machine learning model

objective: in this study, we seek to predict long-term precipitation in ilam city using artificial intelligence algorithms. method: in this study, the long-term precipitation of ilam city over a 44-year period from 1980 to 2024 in simulated by a hybrid machine learning model. ilam province has a special topographic situation with uneven precipitation distribution due to its location at different latitudes. in this study, after collecting data, the average number of months of rainfall for each of the studied stations for a certain period is obtained. a machine learning model is used for prediction. in the first step, the observed data are normalized and the best normalization coefficients are obtained for this study. approximately 70% of the observed data are used to train the artificial intelligence models and the remaining 30% are used to test them. subsequently, the optimal number of hidden layer neurons along with the best activation function of the orelm model are selected by implementing a trial and error process. in this study, the regularization parameter of the orelm model is also optimized. also, using the autocorrelation function (acf), the effective lags of time series data are identified and using them, fourteen worelm models are developed. results: according to the simulation results, the correlation coefficient (r) values for the elm and orelm models are obtained as 0.618 and 0.952, respectively. while the nsc values for elm and orelm are estimated as -1.137 and -1.138, respectively.  in other words, the orelm model shows more accuracy compared to the elm model. in addition, the orelm hybrid learning machine model is identified as the best model for simulating precipitation values in ilam city. conclusions: the results of the orelm hybrid model were compared with the elm and orelm artificial intelligence models, which showed that the orelm hybrid model performed better.