Bilingual
En/Fa
Geographical Research is Published in both Persian and English Full-text.
دوره 40، شماره 3 - ( 1404 )
جلد 40 شماره 3 صفحات 252-243 |
برگشت به فهرست نسخه ها
نوع مقاله:
موضوع مقاله:
History
دریافت: 1404/5/5 | پذیرش: 1404/6/26 | انتشار: 1404/7/8
دریافت: 1404/5/5 | پذیرش: 1404/6/26 | انتشار: 1404/7/8
How to cite this article
Babaeian A. Role of Surface and Upper-Air Data in Predicting Daily Minimum Temperature. GeoRes 2025; 40 (3) :243-252
URL: http://georesearch.ir/article-1-1857-fa.html
URL: http://georesearch.ir/article-1-1857-fa.html
بابائیان امیرحسین. نقش دادههای سطح زمین و جو بالا در پیشبینی دمای حداقل. فصلنامه تحقیقات جغرافیایی. 1404; 40 (3) :243-252
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Rights and permissions
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
چکیده (275 مشاهده)
اهداف: پیشبینی دمای حداقل روزانه نقشی اساسی در مدیریت کشاورزی، پیشگیری از سرمازدگی و مصرف انرژی دارد. با وجود پیشرفت روشهای یادگیری ماشین، مقایسه نظاممند کارآیی 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 (جو بالا، سطح زمین و ترکیب هر دو) برای پیشبینی دمای حداقل روز بعد انجام شد.
روششناسی: پژوهش حاضر از نوع کاربردی بوده و در سال ۱۴۰۴ بر روی دادههای جمعآوریشده از ایستگاه هواشناسی مشهد انجام شد. دادههای روزانه ایستگاه سینوپتیک مشهد و بازتحلیل ERA۵ در ترازهای ۳۰۰، ۵۰۰ و ۷۰۰ هکتوپاسکال طی سالهای ۲۰۰۰ تا ۲۰۲۳ استفاده شدند. همه متغیرها با تاخیر 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 براساس R&sup۲; انتخاب شد.
یافتهها: ادغام دادههای سطح زمین و جو بالا دقت و پایداری مدلها را به طور معنادار بهبود داد. در سناریوی ترکیبی، الگوریتم LightGBM بهترین عملکرد را روی دادههای آزمون بهدست آورد (۹۰/۹۳%=R۲، °C۶۳/۱=MAE، °C۱۰/۲=RMSE و ۹۳/۰=KGE). 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 به عنوان موثرترین ترکیب شناسایی کرد.
نتیجهگیری: 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.
روششناسی: پژوهش حاضر از نوع کاربردی بوده و در سال ۱۴۰۴ بر روی دادههای جمعآوریشده از ایستگاه هواشناسی مشهد انجام شد. دادههای روزانه ایستگاه سینوپتیک مشهد و بازتحلیل ERA۵ در ترازهای ۳۰۰، ۵۰۰ و ۷۰۰ هکتوپاسکال طی سالهای ۲۰۰۰ تا ۲۰۲۳ استفاده شدند. همه متغیرها با تاخیر 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 براساس R&sup۲; انتخاب شد.
یافتهها: ادغام دادههای سطح زمین و جو بالا دقت و پایداری مدلها را به طور معنادار بهبود داد. در سناریوی ترکیبی، الگوریتم LightGBM بهترین عملکرد را روی دادههای آزمون بهدست آورد (۹۰/۹۳%=R۲، °C۶۳/۱=MAE، °C۱۰/۲=RMSE و ۹۳/۰=KGE). 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 به عنوان موثرترین ترکیب شناسایی کرد.
نتیجهگیری: 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: