کاربرد بازسازی فضای فاز در بهبود کارایی مدل‌های یادگیری ماشینی در پیش‌بینی خشکسالی (منطقه مورد مطالعه: ایستگاه سینوپتیک بندرعباس)

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه هرمزگان

2 دانشجوی دکتری علوم و مهندسی آبخیزداری، گروه مهندسی منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران

3 عضو گروه مهندسی منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران

4 عضو گروه آمار، دانشکده علوم پایه، دانشگاه هرمزگان، بندرعباس، ایران

10.29252/aridbiom.2026.4035

چکیده

خشکسالی به‌عنوان یکی از پدیده‌های اقلیمی پیچیده و چندبعدی، همواره با عدم‌قطعیت بالا و وابستگی‌های غیرخطی میان متغیرهای اقلیمی همراه است. در این پژوهش، به‌منظور بهبود دقت و تفسیرپذیری پیش‌بینی خشکسالی در اقلیم فراخشک بندرعباس طی دوره آماری 1960 تا 2022 با استفاده یک چارچوب ترکیبی متشکل از بازسازی فضای فاز (PSR)، واین‌کاپولا (Vine Copula) و رگرسیون چندکی توسعه داده شد. نتایج نشان داد که بازسازی فضای فاز با آشکارسازی ساختار دینامیکی پنهان سری زمانی شاخص SPEI، موجب بهبود چشمگیر عملکرد مدل‌ها شد، به‌گونه‌ای که مقدار R^2 در مرحله آزمون از حدود 1/0 به بیش از 80/0 افزایش یافت. تحلیل واین‌کاپولا وابستگی‌های غیرخطی و نامتقارن میان متغیرهای اقلیمی را به‌طور مؤثر مدل‌سازی کرد و در ترکیب با PSR، چارچوبی منسجم برای بازنمایی رفتار پویای سامانه خشکسالی فراهم آورد. نسخه‌های مبتنی بر رگرسیون چندکی شامل QRF، QXGBoost و QVineCopula، افزون بر بهبود دقت پیش‌بینی، امکان کمی‌سازی داده‌محور عدم‌قطعیت را فراهم کرده و پوشش بهتر در بازه‌های پیش‌بینی را نشان دادند (PICP = 0.91). تحلیل اهمیت متغیرها بیانگر نقش غالب مؤلفه‌های تاخیری SPEI، به‌ویژه SPEI9 و SPEI8، در کنار دمای بیشینه و سرعت باد، در پویایی خشکسالی منطقه بود. در مجموع، مدل ترکیبی PSR–QVineCopula تعادلی بهینه میان دقت، پایداری و تفسیرپذیری برقرار نموده و چارچوبی نوین برای پیش‌بینی‌های قطعی و احتمالی خشکسالی در مناطق فراخشک ارائه می‌دهد.

کلیدواژه‌ها

موضوعات

خشک بوم

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 13 بهمن 1404

فایل ها

هم رسانی

ارجاع به این مقاله

آمار