محمدتقی ستاری

 هدف اصلی این پژوهش، بررسی پایداری و تعمیم پذیری مدل های یادگیری ماشین در شرایط اقلیمی متضاد و شناسایی مدل بهینه برای پیش بینی بارش فصلی است. نوآوری تحقیق، استفاده از مدل ترکیبی CNN-BiLSTM برای نخستین بار در منطقه خشک یزد و مقایسه عملکرد آن با نتایج منطقه مرطوب رشت است. این رویکرد می تواند نقش مؤثری در ارتقای سامانه های هشدار و مدیریت منابع آب ایفا کند. در این راستا، عملکرد چهار مدل شامل ماشین بردار پشتیبان (SVM)، شبکه عصبی عمیق (DNN)، شبکه عصبی بازگشتی دوسویه (BiLSTM) و مدل ترکیبی CNN-BiLSTM برای پیش بینی بارش فصلی در ایستگاه های رشت (اقلیم مرطوب) و یزد (اقلیم خشک) ارزیابی شد. داده های اقلیمی و بارش طی دوره ۲۸ ساله (1995–2022) گردآوری و در قالب دو سناریوی ورودی به مدل ها داده شد. سناریوی اول شامل پارامترهای اقلیمی (حداقل دما، حداکثر رطوبت نسبی، سرعت باد میانگین و ساعات آفتابی) و سناریوی دوم ترکیب این پارامترها با سه تأخیر زمانی بارش بود. نسبت داده های آموزش و آزمون 70 به 30 در نظر گرفته شد. نتایج نشان داد سناریوی دوم عملکرد بهتری دارد. در ایستگاه یزد، مدل CNN-BiLSTM با ضریب همبستگی 89/0، خطای RMSE برابر 48/7 میلی متر و ضریب نش - ساتکلیف 76/0 بهترین عملکرد را داشت. در ایستگاه رشت نیز همین مدل با ضریب همبستگی 94/0، RMSE برابر 89/61 میلی متر و ضریب نش - ساتکلیف 90/0 بهترین نتایج را ارائه داد.

بارش یکی از مهم ترین مولفه های هیدرولوژی و هواشناسی است که پیش بینی مقادیر آن در زمینه های مختلفی همچون کشاورزی، شرب، صنعت، بهداشت، اقلیم و محیط زیست از اهمیت ویژه ای برخوردار است. با توجه به اینکه وقوع، نوع و میزان بارش به عوامل بسیار زیادی بستگی دارد، مدل سازی و پیش بینی مقدار بارش همواره دارای پیچیدگی ها و چالش های فراوان بوده است. در این پژوهش از داده های پارامترهای هواشناسی ایستگاه همدیدی تبریز شامل دماهای کمینه، بیشینه و میانگین، رطوبت نسبی میانگین، فشار هوای میانگین، سرعت باد بیشینه و بارش در مقیاس های زمانی روزانه و ماهانه در یک دوره 35 ساله (2020-1986) استفاده شد. از روش های 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 مدل سازی بارش استفاده شد. بدین منظور 70 درصد از داده ها برای آموزش و 30 درصد از داده ها نیز برای آزمون مدل ها در نظر گرفته شدند. برای ارزیای مدل های 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= میلی متر، 184/0MAE= میلی متر و 82/0KGE= و مدل ET با 986/0R=، 324/0RMSE= میلی متر، 324/0MAE= میلی متر و 75/0KGE= و در مقیاس ماهانه به ترتیب مدل MLP با 999/0R=، 153/0RMSE= میلی متر، 222/0MAE= میلی متر و 88/0KGE= و مدل ET با 981/0R=، 266/0RMSE= میلی متر، 197/0MAE= میلی متر و 71/0KGE= از بیشترین دقت و کمترین خطا برخوردارند. به طورکلی نتایج این پژوهش نشان دهنده عملکرد بسیار مناسب مدل های یادگیری ماشین و یادگیری جمعی در مدل سازی بارش در هر دو مقیاس زمانی روزانه و ماهانه است.

با توجه به اهمیت باد از دیدگاه مخاطرات و پتانسیل های آن، بررسی این موضوع موردتوجه محققان کشورهای مختلف است. استان آذربایجان شرقی در شرق دریاچه ارومیه و یکی از مناطق بادخیز کشور قرار دارد و به علت هم جواری با بستر نمکی حاصل از خشک شدن دریاچه ارومیه، در معرض مخاطرات زیست محیطی و بهداشتی است. در این تحقیق سرعت، روند تغییرات و جهت باد بیشینه 16 ایستگاه همدیدی واقع در شرق دریاچه ارومیه در دوره 1401-1394 بررسی شد. برای تعیین روند تغییرات سرعت باد از آزمون ناپارامتری من- کندال و تخمین گر شیب سن و برای بررسی جهت باد از نمودار گلباد استفاده شد. مطابق نتایج، تغییرات سرعت باد بیشینه فقط در دو ایستگاه شبستر و سهند به ترتیب با شیب 089/0+ و 070/0+ روند افزایشی معنی دار و در ایستگاه های تبریز، ملکان و مراغه به ترتیب با شیب 058/0، 037/0- و 092/0- روند کاهشی معنی دار داشت و در ایستگاه های کلیبر، میانه، جلفا، بستان آباد، بناب و سراب بدون روند بود. مطابق نمودارهای گلباد، در اکثر ایستگاه ها جهت باد غالب از سمت غرب و جنوب غربی است که این موضوع می تواند در آینده موجب افزایش بیماری های تنفسی در اثر طوفان های نمکی برخاسته از بستر خشک دریاچه ارومیه در استان های شرقی آن شود. به طورکلی علت این امر می تواند مرتبط با گرادیان فشار با توجه به توپوگرافی و وجود ارتفاعات کوه سهند در منطقه، اصطکاک سطحی با توجه به مشخصات جغرافیایی، کاربری اراضی و وجود ساختمان ها در مناطق شهری و دیگر عوامل جغرافیایی مرتبط با این مسئله باشد. فراوانی بادهای شدید در همه ایستگاه ها زیاد بوده و بیش از %50 از بادهای بیشینه در همه ایستگاه ها سرعتی بیش از m/s 11/11 دارند. اگرچه نتایج این تحقیق لزوم توجه به آسیب پذیری مناطق شرقی دریاچه ارومیه از نظر مخاطرات محیطی را نشان می دهد، ولی از دیدگاه انرژی، نشانگر پتانسیل مناسب این منطقه برای تولید انرژی بادی است.

شوری آب مشخص کننده ی پراکندگی حیات جانوری و گیاهی در دریاچه ها، دریاها و اقیانوس هاست. در این مقاله با مطالعه بازتابش از سطح آب، شاخص های شوری و همچنین داده های میدانی نقشه ی شوری دریاچه ی ارومیه تهیه گردید. سپس مدل سازی شوری این دریاچه با استفاده از رگرسیون بردار پشتیبان و تصاویر لندست-8 انجام گردید. جهت انتخاب ویژگی های مناسب از میان هفده ویژگی ورودی اولیه ی مدل از دو الگوریتم ژنتیک و انتخاب ویژگی ترتیبی به کمک نرم افزار متلب استفاده شد. در نهایت میزان شوری آب دریاچه ی ارومیه با خطا و دقت نسبتاً مناسبی تخمین گردید. به طوری که مدل رگرسیون بردار پشتیبان با تمام ویژگی ها با RMSE=24.55psu و R2=41%، مدل رگرسیون بردار پشتیبان مبتنی بر الگوریتم ژنتیک با RMSE=21.97psu و R2=54% و مدل رگرسیون بردار پشتیبان مبتنی بر انتخاب ویژگی ترتیبی با مقادیر RMSE=21.93psu و R2=53% توانستند میزان شوری دریاچه ی ارومیه را تخمین بزنند.

در کشورهای خشک و نیمه خشکی مانند ایران، پیش بینی دقیق خشکسالی ها، نقش بسیار مهمی در مقابله با بحران ناشی از خشکسالی و مدیریت سیستم های منابع آب ایفا می کند. با توجه به اینکه شاخص بارندگی استاندارد شده (SPI) به عنوان یکی از مناسب ترین شاخص برای تحلیل خشکسالی شناخته شده است، در این تحقیق، جهت پیش بینی SPI از مدل درختی M5 استفاده گردید. بدین منظور از داده های بارش ماهانه ایستگاه همدیدی مراغه در یک دوره ی 25 ساله (89-1365) استفاده و شاخص SPI در مقیاس 6 ماهه استخراج گردید. ن تایج نشان داد که شهرس تان مراغه در دو ده ه ی اخیر با خشکسالی های پی در پی و شدیدی مواجه بوده است. سپس با استفاده از مدل درختی M5 اقدام به پیش بینی مقادیر شاخص SPI در مقیاس زمانی 6 ماهه برای 1 تا 12 ماه آینده گردید. نتایج به دست آمده نشان داد که میزان شاخص SPI در مقیاس های زمانی گذشته بیشترین تأثیر را نسبت به پارامترهای دیگر در پیش بینی شاخص بارش استاندارد شده دارد و با افزایش طول دوره ی پیش بینی از دقت مدت کاسته می شود. به طوری که در محاسبه SPI6 برای یک ماه آینده مقدار ضریب همبستگی حدود 94/0 به دست آمد که این مقدار برای 12 ماه آینده به حدود 40/0 کاهش پیدا کرد. با این وجود نتایج نشان داد که مدل درختی M5 با ارایه ی روابط خطی کاربردی و قابل فهم از دقت و توانایی نسبتاً بالایی در پیش بینی خشکسالی برخوردار است.

در کلیه مطالعات اقلیمی نیاز به داده های صحیح و قابل اعتماد می باشد. روش های متعددی برای بازسازی داده ها وجود دارند که بسته به نوع داده ها و خصوصیات آب و هوائی هر منطقه تعدادی از آن ها مورد استفاده قرار می گیرد. در این تحقیق بخشی از داده های بارش ماهانه ایستگاه سینوپتیک شهر سراب در استان آذربایجان شرقی به صورت تصادفی داده های فرضی در نظر گرفته شد. سپس برای بررسی میزان کارایی، روش های متعدد بازسازی داده ها، هفت روش کلاسیک آماری و مدل درختی ام 5 بعنوان یکی از روش های کارآمد داده کاوی و به کمک داده های بارش ایستگاه های مجاور تخمین گردید. نتایج نشان داد از بین روش های کلاسیک آماری بررسی شده به ترتیب روش های انتساب چندگانه، نسبت نرمال و رگرسیون خطی چند متغیره دارای نتایج نسبتا دقیق تر با خطاهای کمتری می باشند. بررسی کلی نتایج نشان داد که مدل درختی ام 5 با توسعه قوانین اگر-آنگاه با ارائه چهار رابطه خطی ساده با آماره های (ضریب همبستگی برابر 974/0، ضریب نش-ساتکلیف برابر 948/0، ریشه میانگین مربعات خطا برابر 11/5 (میلی متر) و میانگین خطای مطلق برابر با 189/4 (میلی متر) دقیق ترین نتیجه را در بین تمامی روش های بررسی شده در این مطالعه ارائه می دهد. لذا با توجه به سادگی روند مدل سازی، کاربردی و قابل فهم بودن و داشتن دقت بالا استفاده از آن برای تخمین مقادیر گم شده بارش ماهانه پیشنهاد می گردد.

به سبب اهمیت فراوان انتقال رسوب در استفادة بهینه از منابع آبی و طراحی سدها، دست یابی به روشی با دقت مناسب برای تخمین میزان بار رسوبی معلق رودخانه ها بسیار ضروری است. در این پژوهش میزان بار رسوبی معلق رودخانة صوفی چای به وسیلة روش های نوین داده کاوی شامل رگرسیون فرایند گاوسی و رگرسیون بردار پشتیبان که با بهره گیری از توابع کرنل توانایی بسیاری در حل مسائل غیرخطی دارند، تخمین زده شد، سپس، با مقادیر به دست آمده از روش های تجربی منحنی سنجة رسوب و روش فصلی مقایسه شد. روش رگرسیون فرایند گاوسی با ارائة شاخص های آماری ضریب همبستگی (R) برابر 977/0، ضریب همبستگی نش- ساتکلیف (N-S) برابر 794/0، میانگین خطای مطلق (MAE) برابر 4278/77 تن در روز، و ریشة میانگین مربعات خطا (RMSE) برابر 7455/698 تن در روز دارای بیشترین دقت و کمترین خطا از میان روش های بررسی شده در این مطالعه است. نتایج به دست آمده نشان داد هر دو روش داده کاوی بررسی شدة رگرسیون فرایند گاوسی و رگرسیون بردار پشتیبان به مراتب نتایج بهتری نسبت به منحنی سنجة رسوب و روش فصلی ارائه می کنند.

بارش یکی از مهم ترین اجزای چرخه آب است و در سنجش خصوصیات اقلیمی هر منطقه، نقش بسیار مهمی ایفا می کند. تخمین مقادیر بارش ماهانه برای اهداف مختلفی چون، برآورد سیلاب، خشکسالی، برنامه ریزی آبیاری و مدیریت حوضه های آبریز، اهمیت زیادی دارد. پیش بینی بارش در هر منطقه ای نیازمند وجود داده های دقیق اندازه گیری شده ای مانند، رطوبت، دما، فشار، سرعت باد و غیره است. محدودیت هایی چون، نبود اطلاعات کافی در مورد مقدار بارش در مقیاس های زمانی و مکانی و همچنین پیچیدگی روابط بین پارامترهای هواشناسی مرتبط با بارش، موجب می شود محاسبه این پارامتر با استفاده از روش های معمول به طور دقیق انجام نگیرد. در این پژوهش، ابتدا سناریوهای مختلفی از ترکیب پارامترهای هواشناسی در مقیاس ماهانه برای منطقه اهر در استان آذربایجان شرقی، به منزله ورودی شبکه های عصبی مصنوعی و مدل درختی 5M تعریف شد و سپس با در نظر گرفتن دو آماره R و RMSE بهترین سناریو برای هر یک از این دو مدل انتخاب شد. یافته ها نشان داد که هر دو روش نتایج نسبتاً دقیقی را برای پیش بینی ماهانه منطقه ارائه می کنند، ولی از آنجاکه مدل درختی 5M روابط خطی ساده ای در اختیار کاربر می گذارد، این روش کاربردی تر است.