واسنجي بارش روزانه ERA5 با استفاده از الگوريتم‌هاي MLP، D-Tree و KNN در استان خراسان‌رضوي

محصولات ماهواره‌اي تنها منبع داده موجود با پوشش فضايي مناسب است، با اين وجود، داده‌هاي آن‌ها بر مقادير مشاهداتي منطبق نبوده و داراي انحراف است، هرچند اين عدم تطابق به‌طور دقيق قابل رفع نيست، با اين حال، يك راه‌حل كاهش سوگيري، واسنجي داده‌هاست. در حال حاضر، تكنيك‌هاي يادگيري ماشين براي بهبود دقت پيش‌بيني انواع مختلف پديده‌هاي آب و هوايي به كار گرفته مي‌شوند، لذا حل رگرسيوني مسائلي از اين قبيل از طريق روش‌هاي مبتني بر يادگيري ماشين و آموزش عميق بسيار كارآمد است. باراش روزانه 19 ايستگاه باران‌سنج ثبات وزارت نيرو بين سال‌هاي 2010 تا 2021 ميلادي استخراج شد و در مقابل مقادير متوسط پيكسل‌هاي بارش روزانه متناظر آن‌ها در پايگاه داده ERA5 قرارگرفت. به‌منظور واسنجي داده‌ها، از سه الگوريتم D-Tree، KNN و MLP استفاده شد. دامنه تغييرات ضريب همبستگي در MLP، D-Tree و KNN به‌ترتيب برابر [0.87, 0.98]، [0.75, 0.97] و [0.4, 0.87] است. هم‌چنين اين دامنه تغييرات براي RMSE در MLP بين 0.7 تا 2.4 ميلي‌متر در روز متغير بوده و اين تغييرات براي D-Tree و KNN به‌ترتيب بين 0.8 تا 2.2 و 1.2 تا 2.5 محاسبه شده‌اند. در 75 درصد ايستگاه‌ها RMSE در الگوريتم‌هاي MLP، D-Tree و KNNبه‌ترتيب كم‌تر از 1.5، 1.9 و 2.2 ميلي‌متر در روز است. دامنه تغييرات سوگيري در MLP، [0.18، 0.6- ميلي‌متر در روز] بوده و اين دامنه تغييرات براي D-Tree و KNN به‌ترتيب [0.16، 0.5 ميلي‌متر در روز] و [0.6، 0.8- ميلي‌متر در روز] محاسبه شده‌اند. سوگيري داده‌هاي اصلاحي و مقادير مشاهده شده، در الگوريتم‌هاي MLP، D-Tree و KNN براي ميانه ايستگاه‌ها به‌ترتيب برابر 0.09-، 0.11- و 0.16- ميلي‌متر در روز است. ارزيابي عملكرد سه الگوريتم يادگيري ماشين (MLP، D-Tree و KNN) در تصحيح بارش روزانه پايگاه داده ERA5 و ‌مقايسه شاخص‌هاي آماري CC، RMSE و سوگيري براي داده‌هاي بازتوليد شده نسبت به مقادير زميني نشان داد كه در هر سه شاخص آماري الگوريتم MLP نسبت به دوالگوي ديگر بهتر عمل نموده و از دقت مناسبي براي تصحيح بارش روزانه برخوردار است.