دانشگاه گلستان پژوهش‌های تغییرات آب و هوایی 2717-2066 7 26 2026 07 23 Analyzing the Performance of Machine Learning Models in Detecting Teleconnection Signals Affecting Temperature and Precipitation in Northwest Iran تحلیل عملکرد مدل‌های یادگیری ماشین در آشکارسازی سیگنال‌های دورپیوندی مؤثر بر دما و بارش شمال غرب ایران 71 88 246313 10.30488/ccr.2026.579366.1337 FA سعید ارمغان بستان آباد گروه آب و هواشناسی، دانشکده برنامه‌ریزی محیطی، دانشگاه تبریز، تبریز، ایران بهروز ساری صراف گروه آب و هواشناسی، دانشکده برنامه ریزی محیطی، دانشگاه تبریز، تبریز، ایران مجید رضایی بنفشه درق گروه آب و هواشناسی، دانشکده برنامه ریزی محیطی، دانشگاه تبریز، تبریز، ایران 0009-0002-1204-2518 علی محمد خورشیددوست گروه آب و هواشناسی، دانشکده برنامه ریزی محیطی، دانشگاه تبریز، تبریز، ایران Journal Article 2026 05 23 This study aimed to develop an intelligent and interpretable modeling framework for the monthly prediction of precipitation and temperature at 24 synoptic stations in northwest Iran over a 30‑year period. For this purpose, the performance of three different approaches was evaluated: statistical modeling (Multivariate Linear Regression, MLR), fuzzy inference (Adaptive Neuro‑Fuzzy Inference System, ANFIS), and artificial intelligence (Multilayer Perceptron neural network, MLP). To overcome the limitations of classical methods in parameter optimization, a genetic algorithm (GA) was employed to design the optimal network architecture and determine the connection weights (resulting in the hybrid GA‑MLP model). The results showed that the proposed GA-MLP hybrid model delivered the most efficient performance by reducing the RMSE (e.g., demonstrating a 30% improvement in temperature and 23.5% in precipitation compared to the MLR model) and successfully overcoming the non-convergence issue of the baseline MLP model. Specifically, it lowered the temperature prediction error at the Parsabad station to 1.3°C and the precipitation prediction error at the Jolfa station to 10.9 mm. Sensitivity analysis using a feature‑importance approach revealed the key role of six‑month time lags and teleconnections in the region’s climatic fluctuations, confirming the model’s ability to grasp the underlying physics of the problem. Furthermore, uncertainty assessment using a calibrated bootstrap method indicated a high coverage rate above 95%, ensuring the model’s reliability for operational decision‑making. Finally, topographic analysis demonstrated no significant correlation between model error and elevation, which attests to the spatial robustness of the proposed model across heterogeneous climates. این پژوهش با هدف توسعه یک چارچوب مدل‌سازی هوشمند و تفسیرپذیر برای پیش‌بینی ماهانه بارش و دما در ۲۴ ایستگاه سینوپتیک شمال‌غرب ایران (طی دوره ۳۰ ساله) انجام شده است. بدین منظور، عملکرد سه رویکرد متفاوت شامل مدل‌سازی آماری رگرسیون چندمتغیره (MLR)، استنتاج فازی (ANFIS) و شبکه عصبی مصنوعی (MLP) مورد ارزیابی قرار گرفت. به منظور غلبه بر محدودیت‌های روش‌های کلاسیک در بهینه‌سازی پارامترها، از الگوریتم ژنتیک (GA) برای طراحی معماری بهینه و تعیین وزن‌های شبکه عصبی استفاده شد (مدل هیبریدیGA-MLP). نتایج نشان داد که مدل هیبریدی پیشنهادی GA-MLP با کاهش خطای RMSE (به عنوان نمونه بهبود ۳۰ درصدی در دما و ۲۳.۵ درصدی در بارش نسبت به مدل MLR) و غلبه بر مشکل عدم همگرایی در مدل پایه MLP، کارآمدترین عملکرد را ارائه می‌دهد. این مدل توانست خطای پیش‌بینی دما را در ایستگاه پارس‌آباد به ۱.۳ درجه سانتی‌گراد و خطای بارش را در ایستگاه جلفا به ۱۰.۹ میلی‌متر کاهش دهد. تحلیل حساسیت با رویکرد اهمیت ویژگی، نقش کلیدی تاخیرهای زمانی ۶ ماهه و پیوندهای دور را در نوسانات اقلیمی منطقه آشکار ساخت که مؤید توانایی مدل در درک فیزیک مسئله است. همچنین، ارزیابی عدم قطعیت مدل با روش بوت‌استرپ کالیبره شده، پوشش بالای ۹۵ درصد را نشان داد که قابلیت اطمینان مدل را برای تصمیم‌گیری‌های عملیاتی تضمین می‌کند. در نهایت، تحلیل توپوگرافی عدم وجود همبستگی معنادار بین خطای مدل و ارتفاع را اثبات کرد که بیانگر استواری مکانی مدل پیشنهادی در اقلیم‌های ناهمگن است.

https://ccr.gu.ac.ir/article_246313_8cab9db68c0e7006e76a67847de637ac.pdf