Geographical Researches

fa نقش داده‌های سطح زمین و جو بالا در پیش‌بینی دمای حداقل Role of Surface and Upper-Air Data in Predicting Daily Minimum Temperature هواشناسی و اقلیم Climatology پژوهشی اصیل Original Research 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.   Aims: Accurate prediction of daily minimum temperature (Tmin) plays a crucial role in agricultural management, frost prevention, and energy consumption. Despite advances in machine learning methods, systematic comparisons of surface and upper-air data performance for Tmin prediction in arid and semi-arid regions such as Mashhad remain limited. This study evaluates five ensemble learning algorithms (CatBoost, XGBoost, LightGBM, AdaBoost, and Random Forest) under three data scenarios: Upper-air, surface, and combined, for next-day Tmin prediction. Methodology: The present study is applied in nature and was conducted in 2025 using data collected from the Mashhad meteorological station. Daily meteorological data from the Mashhad synoptic station and ERA5 reanalysis at 300, 500, and 700 hPa levels were utilized for the period 2000-2023. All predictors were incorporated with a one-day lag relative to the target Tmin. The algorithms were trained using cross-validation. Multicollinearity among predictors was controlled using the VIF, and the optimal subset of features was determined through the Best Subset Selection (BSS) method based on the coefficient of determination (R2). Findings: Integrating surface and upper-air data significantly improved the accuracy and stability of the models. In the combined scenario, the LightGBM algorithm achieved the best performance on the test set (R2=93.90%, MAE=1.63°C, RMSE=2.10°C, and KGE=0.93). The BSS method identified five key predictors (Tmin, relative humidity and specific humidity at 700 hPa, minimum surface humidity, and the categorical variable for summer season) as the most influential combination, effectively integrating upper-air thermodynamic and surface conditions. Conclusion: Combining surface and upper-air data within the LightGBM framework, along with systematic feature selection, provides the most accurate approach for short-term Tmin prediction.   پیش‌بینی روزانه دمای کمینه, روش‌های یادگیری, داده‌های سطح زمین, داده‌های جو بالا, مشهد Daily Minimum Temperature Prediction, Ensemble Learning, Surface Data, Upper-Air Data, Mashhad 243 252 http://georesearch.ir/browse.php?a_code=A-10-1773-1&slc_lang=fa&sid=1 A.H. Babaeian امیرحسین بابائیان 100319475328460018758 100319475328460018758 Yes Department of Industrial Engineering, Faculty of Engineering, Ferdowsi University of Mashhad, Mashhad, Iran گروه مهندسی صنایع، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران