میز خدمت الکترونیک
دوره ویراستاری

  اخبار و اعلانات

 آمار

تعداد نشریات127
تعداد شماره‌ها7,149
تعداد مقالات76,913
تعداد مشاهده مقاله154,944,087
تعداد دریافت فایل اصل مقاله116,917,951
فرجی, مظفر, میرزاوند, محمد. (1404). مدل‌سازی رابطه تابعی بارش تجمعی ایستگاه‌های شرق ایران با متغیرهای فضایی-زمانی با رویکرد هیبریدی مبتنی بر یادگیری ماشین. , 12(4), 1005-1024. doi: 10.22059/ije.2026.410789.1906
مظفر فرجی; محمد میرزاوند. "مدل‌سازی رابطه تابعی بارش تجمعی ایستگاه‌های شرق ایران با متغیرهای فضایی-زمانی با رویکرد هیبریدی مبتنی بر یادگیری ماشین". , 12, 4, 1404, 1005-1024. doi: 10.22059/ije.2026.410789.1906
فرجی, مظفر, میرزاوند, محمد. (1404). 'مدل‌سازی رابطه تابعی بارش تجمعی ایستگاه‌های شرق ایران با متغیرهای فضایی-زمانی با رویکرد هیبریدی مبتنی بر یادگیری ماشین', , 12(4), pp. 1005-1024. doi: 10.22059/ije.2026.410789.1906
فرجی, مظفر, میرزاوند, محمد. مدل‌سازی رابطه تابعی بارش تجمعی ایستگاه‌های شرق ایران با متغیرهای فضایی-زمانی با رویکرد هیبریدی مبتنی بر یادگیری ماشین. , 1404; 12(4): 1005-1024. doi: 10.22059/ije.2026.410789.1906

مدل‌سازی رابطه تابعی بارش تجمعی ایستگاه‌های شرق ایران با متغیرهای فضایی-زمانی با رویکرد هیبریدی مبتنی بر یادگیری ماشین

مجله اکوهیدرولوژی
دوره 12، شماره 4، دی 1404، صفحه 1005-1024    اصل مقاله (1.12 M)
نوع مقاله: پژوهشی
شناسه دیجیتال (DOI): 10.22059/ije.2026.410789.1906
نویسندگان
مظفر فرجی1؛ محمد میرزاوند* 2
1دانشجوی دکتری، گروه آب‌وهواشناسی، دانشگاه تبریز، تبریز، ایران
2گروه علوم و فناوری های محیطی، دانشکده مهندسی انرژی و منابع پایدار، دانشکدگان علوم و فناوری های میان رشته ای، دانشگاه تهران
چکیده
موضوع: بررسی و مدل‌سازی الگوی فضایی ـ زمانی بارش تجمعی در ایستگاه‌های سینوپتیک شرق ایران با بهره‌گیری از رویکردهای ترکیبی یادگیری ماشین.
هدف: هدف این پژوهش، تبیین و مدل‌سازی رابطۀ تابعی بارش تجمعی ایستگاه‌های شرق ایران با متغیرهای فضایی و زمانی به ‌منظور شناسایی ساختارهای غالب آب‌وهوایی و ناهمگنی‌های مکانی بارش، با استفاده از یک رویکرد هیبریدی مبتنی بر یادگیری ماشین است.
روش تحقیق: در این پژوهش از داده‌های بارش تجمعی ۲۴ساعته (P₍₂₄₎) مربوط به ۲۱ ایستگاه سینوپتیک واقع در شرق ایران، شامل استان‌های سیستان و بلوچستان، خراسان جنوبی، خراسان رضوی و خراسان شمالی، طی سال‌های ۱۹۹۰ تا ۲۰۲۰ استفاده شد. رابطۀ تابعی بارش تجمعی به ‌عنوان متغیر وابسته با تغییرات زمانی ماهانه به ‌عنوان متغیر مستقل با بهره‌گیری از تابع تخمینی رگرسیون خطی مورد ارزیابی قرار گرفت. به ‌منظور تحلیل ساختار فضایی، ایستگاه‌ها با استفاده از خوشه‌بندی سلسله‌مراتبی و بر اساس معیار فاصله در مدل وارد، بر مبنای داده‌های بارش تجمعی طبقه‌بندی شدند.
یافته‌ها: نتایج تحلیل رگرسیون خطی داده‌ها نشان داد مقدار ضریب تعیین تعدیل‌شده (Adjusted R²) برابر با 64/0 برآورد شده است. این شاخص بیانگر آن است که متغیر پیش‌بین زمانی (ماه‌ها) توانسته است حدود 8/64 درصد از واریانس متغیر ملاک (مقدار بارش) را تبیین کند. تحلیل خوشه‌بندی سلسله‌مراتبی، سه ناحیۀ آب‌وهوایی متمایز شامل خوشۀ خشک و بیابانی، خوشۀ نیمه‌خشک و انتقالی و خوشۀ پربارش را شناسایی کرد. در این‌میان، ایستگاه قوچان با بیشترین میانگین بارش تجمعی (80/26 میلی‌متر) به‌ عنوان یک کانون شاخص بارشی برجسته شد. این نتایج بیانگر وجود تفاوت‌های مکانی معنادار و نقش برجستۀ نوسانات زمانی در الگوی بارش شرق ایران است.
نتیجه‌گیری: نتایج این پژوهش نشان داد رویکرد هیبریدی مبتنی بر یادگیری ماشین توانایی مناسبی در مدل‌سازی ساختار فضایی ـ زمانی بارش در شرق ایران دارد و وجود ناهمگنی‌های آب‌وهوایی منطقه را به‌خوبی آشکار می‌سازد. این یافته‌ها می‌تواند به ‌عنوان مبنایی علمی برای مدیریت و برنامه‌ریزی منابع آب در مناطق خشک و نیمه‌خشک شرق کشور مورد استفاده قرار گیرد.
کلیدواژه‌ها
مدل‌سازی بارش؛ یادگیری ماشین؛ خوشه‌بندی وارد؛ شرق ایران؛ تغییرات زمانی؛ کانون بارشی
مراجع
  • Esmaeilian, M. (2005). Comprehensive SPSS guide. Naghoos Publications. (in Persian).
  • Esmaeilian, M., Vahdat, J., & Heydardoust, H. (2016). R software guide. University of Mohaghegh Ardabili Press. (in Persian).
  • Faraji, M., Rezaei Banafsheh, M., Sari Sarraf, B., & Khorshiddoust, A. (2023). Numerical simulation of climate change variations in Iran using artificial neural network algorithms. Climate Research Journal, 4(14), 43–64. (in Persian).
  • Sadatinejad, S. J., Soleimani Sardo, F., & Mirzavandi, M. (2024). Modeling and prediction of climatic parameters using CanESM2 model under RCP scenarios (Case study: Karaj Station). Ecohydrology Journal, 11(3), 411–426. (in Persian).
  • Sattari, M. T., Bagheri, R., Shirini, K., & Allahverdi Pour, P. (2024). Modeling daily and monthly precipitation of Tabriz using ensemble learning and decision tree regression models. Climate Change Research, 5(18), 31–48. https://doi.org/10.30488/ccr.2024.433394.1192
  • Alizadeh, O. (2022). Advances and challenges in climate modeling. Climatic Change, 170(1), 18. https://doi.org/10.1007/s10584-021-03298-4
  • Almazroui, M., Islam, M. N., Saeed, S., Saeed, F., & Ismail, M. (2020). Future changes in climate over the Arabian Peninsula based on CMIP6 multimodel simulations. Earth Systems and Environment, 4(4), 611–630. https://doi.org/10.1007/s41748-020-00183-5
  • Bi, E. G., Gachon, P., Vrac, M., & Monette, F. (2017). Which downscaled rainfall data for climate change impact studies in urban areas? Theoretical and Applied Climatology, 127(3–4), 685–699. https://doi.org/10.1007/s00704-015-1656-y
  • Breiman, L., & Friedman, J. H. (1985). Estimating optimal transformations for multiple regression and correlation. Journal of the American Statistical Association, 80, 580–619.
  • Chambers, J. M., & Hastie, T. J. (1991). Statistical Models in S. Chapman and Hall.
  • Das, P., Sachindra, D. A., & Chanda, K. (2022). Machine learning-based rainfall forecasting with multiple nonlinear feature selection algorithms. Water Resources Management, 36(15), 6043–6071. https://doi.org/10.1007/s11269-022-03341-8
  • Davenport, F. V., & Diffenbaugh, N. S. (2021). Using machine learning to analyze physical causes of climate change. Geophysical Research Letters, 48(15), e2021GL093787. https://doi.org/10.1029/2021GL093787
  • Farooq, R., Imteaz, M. A., & Mekanik, F. (2025). Deterministic rainfall forecasting using machine learning. Earth Science Informatics, 18(2), 224. https://doi.org/10.1007/s12145-025-01724-0
  • Feitoza Silva, D., Simonovic, S. P., Schardong, A., & Goldenfum, J. A. (2021). Introducing non-stationarity into IDF curves. Water, 13(8), 1008. https://doi.org/10.3390/w13081008
  • Hosseinzadeh-Talaei, P., Tabari, H., & Willems, P. (2020). Climate change impact on short-duration precipitation extremes. Journal of Hydrology, 590, 125249.
  • Hu, H., & Ayyub, B. M. (2019). Machine learning for projecting extreme precipitation. Geosciences, 9(5), 209. https://doi.org/10.3390/geosciences9050209
  • Jahangiri, M., Asghari, M., Niksokhan, M. H., & Nikoo, M. R. (2025). BiLSTM-Kalman framework for precipitation downscaling. Scientific Reports, 15(1), 24354. https://doi.org/10.1038/s41598-025-08264-z
  • Kaufman, L., & Rousseeuw, P. J. (1990). Finding Groups in Data: An Introduction to Cluster Analysis. Wiley.
  • Kourtis, I. M., & Tsihrintzis, V. A. (2022). Update of IDF curves under climate change. Water Supply, 22(5), 4951–4974. https://doi.org/10.2166/ws.2022.152
  • Lanciotti, S., Ridolfi, E., Russo, F., & Napolitano, F. (2022). IDF curves in a data-rich era. Water, 14(22), 3705. https://doi.org/10.3390/w14223705
  • Maity, S. S., & Maity, R. (2022). Changing pattern of IDF relationships. Water Resources Management, 36(14), 5371–5399. https://doi.org/10.1007/s11269-022-03313-y
  • Najafi, H., Lagerwall, G. L., Obeysekera, J., & Liu, J. (2025). Machine learning in climate downscaling: A critical review. Preprints. https://doi.org/10.20944/preprints202511.1538.v1
  • Neelin, J. D., et al. (2022). Precipitation extremes and water vapor. Current Climate Change Reports, 8(1), 17–33. https://doi.org/10.1007/s40641-021-00177-z
  • Rajagopal, S., & Steele, C. M. (2017). Hydrologic processes and prediction needs. Hydrology and Earth System Sciences, 21(1), 1–22. https://doi.org/10.5194/hess-21-1-2017
  • Sachindra, D. A., et al. (2018). Statistical downscaling using machine learning. Atmospheric Research, 212, 240–258. https://doi.org/10.1016/j.atmosres.2018.05.022
  • Struyf, A., Hubert, M., & Rousseeuw, P. J. (1997). Integrating robust clustering techniques in S-PLUS. Computational Statistics & Data Analysis, 26, 17–37.
  • Sun, T., et al. (2024). ML-based downscaling of GPM precipitation. Heliyon, 10(17), e36368. https://doi.org/10.1016/j.heliyon.2024.e36368
  • Yang, F., et al. (2024). Transformer-based precipitation downscaling. Remote Sensing, 16(22), 4292. https://doi.org/10.3390/rs16224292
  • Zhang, L., et al. (2023). Non-stationary runoff modeling using ML. Advances in Water Science, 34(1), 42–52. https://doi.org/10.14042/j.cnki.32.1309.2023.01.005
آمار
تعداد مشاهده مقاله: 174
تعداد دریافت فایل اصل مقاله: 93





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب