توسعه یک مدل‌ پیش‌بینی بلندمدت هواشناسی با رویکرد تلفیق داده در یک حوضه بزرگ‌مقیاس با داده‌های مشاهداتی محدود

پیش‌بینی دقیق بارش نقشی اساسی در مدیریت پایدار منابع آب، به‌ویژه در مواجهه با تغییرات اقلیمی دارد. در این مقاله، چارچوبی جامع برای بهبود پیش‌بینی‌های بلندمدت بارش ماهانه با زمان پیش‌دید یک تا شش‌ماهه بر پایه رویکرد تلفیق داده توسعه داده شد. ابتدا اریب پیش‌بینی‌های خام چهار مدل عددی پیش‌بینی آب‌وهوا از مجموعه کوپرنیک با استفاده از روش نگاشت چندک تصحیح شد. سپس، به‌منظور ترکیب پیش‌بینی‌های تصحیح‌شده، مجموعه‌ای از مدل‌های یادگیری ماشین شامل mlp، svr، bma، rf، adaboost، xgboost و lightgbm به‌صورت جداگانه برای هر زمان پیش‌دید آموزش داده شدند. فراپارامترهای مدل‌ها به‌طور خودکار با الگوریتم تخمین‌گر پارزن ساختاریافته درختی تنظیم شدند. در نهایت، پیش‌بینی‌های تلفیق‌شده توسط مدل‌های تلفیق داده تولید و بر اساس چهار شاخص آماری شامل ضربب پیرسون، rmse، nse و kge ارزیابی شدند. چارچوب پیشنهادی در حوضه آبریز کرخه در غرب ایران، به‌عنوان منطقه‌ای با پیچیدگی توپوگرافی و اهمیت هیدرولوژیکی بالا، مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل‌های تلفیق داده با فراپارامترهای بهینه عملکردی به‌مراتب بهتر از مدل‌های منفرد دارند و در میان آن‌ها mlp، adaboost و lightgbm بهترین نتایج را ارائه کردند. ترکیب تصحیح اریبی و تلفیق پیش‌بینی‌ها به‌طور میانگین موجب افزایش ضربب پیرسون به‌‌ میزان 04/0 واحد، کاهش rmse به میزان 5 میلی‌متر و بهبود شاخص‌های nse و kge به‌ترتیب به میزان 12/0 و 08/0 واحد نسبت به بهترین مدل خام nwp شد. در مجموع، چارچوب ارائه‌شده رویکردی کارآمد برای بهبود دقت و قابلیت اطمینان پیش‌بینی بارش در مناطق پیچیده با داده‌های مشاهداتی محدود ارائه می‌کند.