عنوان	پیش‌بینی توزیع مکانی-زمانی بارش در حوضۀ ارومیه با استفاده از مدل هیبریدی EEMD-SVM-LSTM
نوع پژوهش	مقاله چاپ شده
کلیدواژه‌ها	بارش تغییر اقلیم حوضۀ آبریز دریاچۀ ارومیه مدل هیبریدی یادگیری عمیق یادگیری ماشین
چکیده	پیش‌بینی دقیق بارش ماهانه برای مدیریت منابع آب و کاهش خطرات ناشی از نوسانات اقلیمی در مناطق نیمه‌خشک اهمیت ویژه‌ای دارد. هدف از این پژوهش، توسعه و ارزیابی یک مدل هیبریدی ترکیبی بر پایۀ تجزیۀ تجربی حالت تجمعی (EEMD)، ماشین بردار پشتیبان (SVM) و شبکۀ عصبی حافظۀ بلندمدت (LSTM) به‌منظور شبیه‌سازی و پیش‌بینی بارش ماهانه در حوضۀ آبریز دریاچۀ ارومیه است. در این راستا، داده‌های بارش ماهانۀ چهار ایستگاه خوی، سقز، تبریز و ارومیه طی دورۀ ۱۹۸۰ تا ۲۰۲۴ گردآوری و برای آموزش و اعتبارسنجی مدل استفاده شد؛ سپس بازۀ زمانی ۲۰۳۰ تا ۲۰۵۰ برای پیش‌بینی آینده بررسی گردید. نتایج نشان داد که مقدار RMSE در ایستگاه‌های مورد بررسی برای مدل SVM بین 07/0 تا 11/0 میلی‌متر و برای LSTM بین 10/0 تا 29/0 میلی‌متر متغیر بود. بالاترین میزان افزایش بارش سالانه در دورۀ آینده در ایستگاه خوی (82/18 درصد) مشاهده شد، درحالی‌که ایستگاه سقز با کاهش حدود 14 درصدی بارش مواجه شد. به‌طور میانگین، بارش سالانۀ کل حوضه در سناریوی آینده نسبت به دورۀ پایه حدود 4 درصد کاهش خواهد یافت. یافته‌ها نشان داد مدل هیبریدی EEMD-SVM-LSTM می‌تواند روندهای پیچیدۀ بارش را با دقت بالا شبیه‌سازی و پیش‌بینی کند و برای بهبود مدیریت منابع آب و برنامه‌ریزی سازگار با تغییرات اقلیمی در مناطق مشابه، رویکردی کارآمد محسوب می‌شود.
پژوهشگران	بهنوش فرخزاده (نفر اول)، سپیده چوبه (نفر سوم)، رسول ایمانی (نفر دوم)