معرفی یک مدل غیر‌خطی بر اساس هیبرید ماشین‌های یادگیری به منظور مدل‌سازی و پیش‌بینی بارش و مقایسه با روش SDSM (مطالعات موردی: شهرکرد، بارز و یاسوج)

در پژوهش حاضر، مدلی هیبریدی بر مبنای روش­های غیرخطی شامل رگرسیون تطبیقی چندگانه اسپلاین (MARS)، شبکه‌عصبی مصنوعی (ANN) و K نزدیکترین همسایه (KNN) به منظور ریز­مقیاس­نمایی و پیش­بینی بارش ایستگاه‌های شهرکرد، بارز و یاسوج تحت شرایط تغییر اقلیم معرفی شده است. مدل هیبریدی ارائه شده، مانند مدل ریز­مقیاس‌نمایی SDSM، از دو گام طبقه­بندی و رگرسیون تشکیل شده است. مدل MARS برای طبقه­بندی وقوع بارش و الگوریتم­های ANN و KNN برای تعیین مقدار بارش به­کار برده شده­اند. نتایج مدل MARS برای تعیین وقوع بارش نشان می­دهد که مدل مذکور نسبت به مدل SDSM از دقت بیش­تری برخوردار است. با مقایسه نتایج ریز­مقیاس­نمایی مشاهده می­شود که الگوریتم ANN نسبت به مدل SDSM و الگوریتم KNN دارای دقت بیش­تری در تعیین میانگین سالانه و ماهانه بارش است. به­طوری که در ایستگاه شهرکرد مقدار معیار R برای الگوریتم ANN نسبت به مدل SDSM به اندازه 54 درصد دقیق­تر است. هم­چنین، الگوریتم­های ANN، KNN و SDSM از نظر بیش­ترین دقت در سه ایستگاه بررسی شده، با در نظر گرفتن میانگین، انحراف معیار و ضریب چولگی ماهانه به ترتیب در رتبه­های اول، دوم و سوم قرار داده می­شوند. در نهایت، مقدار تغییرات بارش در دوره آینده نزدیک (2020-2040) و آینده دور (2070-2100) تحت سناریو­های A2 و B2 مدل HADCM3 بررسی شد. نتایج نشان داد که کم­ترین کاهش بارش (2 درصد) مربوط به الگوریتم ANN (در ایستگاه شهرکرد) و سناریوی A2 در دوره آینده نزدیک و بیش­ترین آن (54 درصد) مربوط به مدل SDSM (در ایستگاه یاسوج) و سناریوی A2 در دوره آینده دور می­باشد. در نهایت می‌توان نتیجه گرفت که هیبرید ماشین‌های یادگیری نسبت به مدل SDSM، از دقت بیشتری برخوردار است و می‌توان از مدل معرفی شده به عنوان جایگزین مدل SDSM استفاده کرد.