دانشگاه گلستان پژوهش‌های تغییرات آب و هوایی 2717-2066 5 18 2024 06 21 Modeling Daily and Monthly Rainfall in Tabriz using Ensemble Learning Models and Decision Tree Regression مدل‌سازی بارش روزانه و ماهانه تبریز با استفاده از مدل‌های یادگیری جمعی و رگرسیون درخت تصمیم 31 48 195456 10.30488/ccr.2024.433394.1192 FA محمدتقی ستاری دانشیار، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران 0000-0002-5139-2118 راضیه باقری دانشجوی کارشناسی‌ارشد، گروه علوم و مهندسی آب ، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران کیمیا شیرینی دانشجوی دکتری، گروه مهندسی کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران پویا اللهویردی پور دانشجوی دکتری، گروه علوم و مهندسی آب دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران 0000-0003-2096-5742 Journal Article 2023 12 31 Precipitation is one of the most important components of hydrology and meteorology, and the prediction of its values are important in various fields, such as agriculture and the environment. Considering that the occurrence of precipitation and its amount depend on many factors, the modeling of precipitation has many complications. In this research, the meteorological data of Tabriz synoptic station including minimum, maximum and average temperature, relative humidity, air pressure, maximum wind speed and precipitation in the period of 1986-2020 were used. The machine learning and ensemble learning methods including Multi Layer Perceptron (MLP), Random Forest (RF), Ada Boost (AB), Gradient Boost (GB), Extra Trees (ET) and Decision Tree Regression (DTR) models were used for rainfall modeling. 70% of the data was used for training and 30% for testing the models. The statistical criteria of Coefficient of Correlation (R), Root Mean Square Error (RMSE), Mean Absolute Error (MAE) and Kling-Gupta Efficiency (KGE) were used to evaluate the models. According to the results, on daily scale the MLP model with R=0.993, RMSE=0.184 mm, MAE=0.184 mm and KGE=0.82, and the ET model with R=0.986, RMSE=0.324 mm, MAE=0.324 mm and KGE=0.75, respectively, and on monthly scale the MLP model with R=0.999, RMSE=0.153 mm, MAE=0.222 mm KGE=0.88, and the ET model with R=0.981, RMSE=0.266 mm, MAE=0.197 mm and KGE=0.71, respectively, have the highest accuracy. Overall, the results show that machine learning and ensemble learning models perform well in predicting daily and monthly rainfall. بارش یکی از مهم­ترین مولفه­های هیدرولوژی و هواشناسی است که پیش­بینی مقادیر آن در زمینه­های مختلفی همچون کشاورزی، شرب، صنعت، بهداشت، اقلیم و محیط­زیست از اهمیت ویژه‌ای برخوردار است. با توجه به اینکه وقوع، نوع و میزان بارش به عوامل بسیار زیادی بستگی دارد، مدل‌سازی و پیش­بینی مقدار بارش همواره دارای پیچیدگی‌ها و چالش‌های فراوان بوده است. در این پژوهش از داده­های پارامترهای هواشناسی ایستگاه همدیدی تبریز شامل دماهای کمینه، بیشینه و میانگین، رطوبت نسبی میانگین، فشار هوای میانگین، سرعت باد بیشینه و بارش در مقیاس‌های زمانی روزانه و ماهانه در یک دوره 35 ساله (2020-1986) استفاده شد. از روش‌های یادگیری ماشین و یادگیری جمعی شامل شبکه عصبی مصنوعی پرسپترون چندلایه (MLP)، جنگل تصادفی (RF)، آدابوست (AB)، تقویت گرادیان (GB)، درختان اضافی (ET) و مدل رگرسیون درخت تصمیم (DTR) برای مدل‌سازی بارش استفاده شد. بدین منظور 70 درصد از داده­ها برای آموزش و 30 درصد از داده‌ها نیز برای آزمون مدل‌ها در نظر گرفته شدند. برای ارزیای مدل‌های مورد استفاده، از معیارهای آماری ضریب همبستگی (R)، جذر میانگین مربعات خطاها (RMSE)، میانگین خطای مطلق (MAE) و کلینگ گوپتا (KGE) استفاده شد. مطابق نتایج این تحقیق در مقیاس روزانه مدل MLP با 993/0R=، 184/0RMSE= میلی‌متر، 184/0MAE= میلی‌متر و 82/0KGE= و مدل ET با 986/0R=، 324/0RMSE= میلی‌متر، 324/0MAE= میلی‌متر و 75/0KGE= و در مقیاس ماهانه به‌ترتیب مدل MLP با 999/0R=، 153/0RMSE= میلی‌متر، 222/0MAE= میلی‌متر و 88/0KGE= و مدل ET با 981/0R=، 266/0RMSE= میلی‌متر، 197/0MAE= میلی‌متر و 71/0KGE= از بیشترین دقت و کمترین خطا برخوردارند. به‌طورکلی نتایج این پژوهش نشان‌دهنده عملکرد بسیار مناسب مدل­های یادگیری ماشین و یادگیری جمعی در مدل‌سازی بارش در هر دو مقیاس زمانی روزانه و ماهانه است. https://ccr.gu.ac.ir/article_195456_395de7f4495f82fe7e7bbdc7ea5c5a39.pdf