| بهینهسازی ریزمقیاسنمایی دمای کمینه با استفاده از روشهای آماری و یادگیری ماشین |
| کد مقاله : 1728-CCSAMR (R1) |
| نویسندگان |
|
الهام قوچانیان حقوردی *1، مهدی امیرآبادیزاده2، امید خراشادیزاده3 1کارشناس بخش خاک و آب، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی خراسان جنوبی، بیرجند، ایران 2دانشیار گروه علوم و مهندسی آب- داشکده کشاورزی و منابع طبیعی- دانشگاه بیرجند- ایران 3کارشناس ارشد منابع آب، شرکت آب منطقه ای خراسان جنوبی، شرکت مدیریت منابع آب، ایران |
| چکیده مقاله |
| پیشبینی دقیق دمای کمینه برای برنامهریزیهای زیستمحیطی، کشاورزی و مدیریت منابع آب اهمیت ویژهای دارد. در این مطالعه، عملکرد دو روش نگاشت چارکی (BCSD) و جنگل تصادفی (Random Forest) در ریزمقیاس نمایی دمای کمینه ماهانه در شهرستان بیرجند بررسی شد. دادههای دمای کمینه ایستگاه سینوپتیک بیرجند برای دوره 1991–2020 مورد استفاده قرار گرفت و دادهها پیشپردازش شدند. مدلها با استفاده از دادههای دوره 1991–2010 آموزش و با دادههای دوره 2011–2020 اعتبارسنجی شدند. نتایج نشان داد که هر دو روش قادر به بازتولید مقادیر دمای کمینه تاریخی بودند، اما جنگل تصادفی با شاخصهای (ضریب نش-سانکلیف=0.93، ضریب تعیین=0.94، میانگین قدر مطلق خطاها= 1.63°C، ریشه میانگین مربعات خطا= 1.96°C، کارایی کلینگ-گوپتا= 0.91) عملکرد بهتری نسبت به نگاشت چارکی ارائه کرد. تحلیل توزیع تجمعی تجربی نیز نشاندهنده همپوشانی بالای دادههای پیشبینیشده و مشاهدهشده بود. پیشبینی دادههای آینده برای دوره 2030–2059 افزایش دمای کمینه را نشان داد که بیانگر روند تغییر اقلیم در منطقه است. نتایج نشان داد که روش جنگل تصادفی ابزاری مناسب برای ریزمقیاس نمایی و تصحیح بایاس دادههای اقلیمی در مناطق خشک و نیمهخشک است و میتواند در برنامهریزیهای اقلیمی و کشاورزی کاربرد داشته باشد. |
| کلیدواژه ها |
| ریزمقیاس نمایی، دمای کمینه، نگاشت چارکی، جنگل تصادفی، تغییر اقلیم. |
| وضعیت: پذیرفته شده برای ارسال فایل های ارائه پوستر، لازم است پوستر در 2 سایت زیر بارگذاری شود. https://ccsamr.greenmeeting.ir** https://ccsamr.areeo.ac.ir/author |
