Afarand Journals

Geographical Research

eISSN : 2538-4384
pISSN : 1019-7052
Bilingual
En/Fa
Geographical Research is Published in both Persian and English Full-text.
دوره 40، شماره 3 - ( 1404 )                   جلد 40 شماره 3 صفحات 1014-1001 | برگشت به فهرست نسخه ها
نوع مقاله:
پژوهشی اصیل |
موضوع مقاله:

Print XML English Abstract PDF HTML

History

دریافت: 1404/8/5 | پذیرش: 1404/8/17 | انتشار: 1404/6/10
How to cite this article
Babaeian A. Daily Minimum Temperature Forecasting at Mashhad Station Using Ensemble Learning Algorithms and Comparing the Role of Surface and Upper-Air Data. GeoRes 2025; 40 (3) :1001-1014
URL: http://georesearch.ir/article-1-1857-fa.html
بابائیان امیرحسین. پیش‌بینی دمای حداقل روزانه در ایستگاه مشهد با استفاده از الگوریتم‌های یادگیری گروهی و مقایسه‌ی نقش داده‌های سطح زمین و جو بالا. فصل‌نامه تحقیقات جغرافیایی. 1404; 40 (3) :1001-1014

URL: http://georesearch.ir/article-1-1857-fa.html

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Rights and permissions
پیش‌بینی دمای حداقل روزانه در ایستگاه مشهد با استفاده از الگوریتم‌های یادگیری گروهی و مقایسه‌ی نقش داده‌های سطح زمین و جو بالا
Authors امیرحسین بابائیان*
، babaeian.am@gmail.com
چکیده   (4 مشاهده)
اهداف و زمینه‌ها: پیش‌بینی دمای حداقل روزانه نقشی اساسی در مدیریت کشاورزی، پیشگیری از سرمازدگی و مصرف انرژی دارد. با وجود پیشرفت روش‌های یادگیری ماشین، مقایسه نظام‌مند کارایی داده‌های سطح زمین و جو بالا در پیش‌بینی دمای حداقل مناطق خشک و نیمه‌خشک همچون مشهد کمتر انجام شده است. این پژوهش با هدف ارزیابی پنج الگوریتم یادگیری گروهی شامل CatBoost، XGBoost، LightGBM، AdaBoost و Random Forest در سه سناریو ــ جو بالا، سطح زمین و ترکیب هر دو ــبرای پیش‌بینی دمای حداقل روز بعد انجام شد.
روش‌شناسی: داده‌های روزانه ایستگاه سینوپتیک مشهد و بازتحلیل ERA5 در ترازهای ۳۰۰، ۵۰۰ و ۷۰۰ هکتوپاسکال طی سال‌های ۲۰۰۰ تا ۲۰۲۳ استفاده شدند. همه متغیرها با تأخیر یک‌روزه نسبت به دمای هدف وارد مدل گردیدند. الگوریتم‌ها با اعتبارسنجی متقاطع زمانی آموزش داده شدند. برای کنترل هم‌خطی از شاخص VIF استفاده و ویژگی‌های بهینه با روش انتخاب بهترین زیرمجموعه بر اساس R² انتخاب شد.
یافته‌ها: ادغام داده‌های سطح زمین و جو بالا دقت و پایداری مدل‌ها را به‌طور معنادار بهبود داد. در سناریوی ترکیبی، الگوریتم LightGBM بهترین عملکرد را روی داده‌های آزمون به‌دست آورد: R2=93.90% ، MAE=1.63∘C ، RMSE=2.10∘C  و KGE=0.93 . روش انتخاب ویژگی بهترین زیرمجموعه پنج متغیر کلیدی شامل دمای حداقل روز قبل، رطوبت نسبی و رطوبت ویژه تراز ۷۰۰ هکتوپاسکال، رطوبت نسبی حداقل سطح زمین و متغیر مجازی فصل تابستان را به‌عنوان مؤثرترین ترکیب شناسایی کرد.
نتیجه‌گیری: نتایج نشان داد ترکیب داده‌های سطح زمین و جو بالا در قالب مدل LightGBM، همراه با انتخاب ویژگی نظام‌مند، دقیق‌ترین چارچوب برای پیش‌بینی کوتاه‌مدت دمای حداقل روزانه فراهم می‌کند.
 
واژه‌های کلیدی:
پیش‌بینی روزانه دمای کمینه، روش‌های یادگیری، داده های سطح زمین، داده های جو بالا، مشهد