مدل سازی بارش روزانه تبریز با روش های درختی ادغام شده با تجزیه فصلی-روند و رویکرد دسته بندی

بارش به عنوان یک متغیر تصادفی با داشتن تغییرات مکانی و زمانی یکی از عناصر پیچیده در چرخه هیدرولوژی است. هدف پژوهش حاضر برآورد میزان بارش روزانه تبریز در بازه زمانی 36 ساله (1986-2021) با استفاده از گروه روش های درختی شامل، مدل درختی M5P، درخت تصادفی، کاهش خطای هرس درخت و روش دسته بندی است. بدین منظور از مقادیر بارش ایستگاه های حوضه دریاچه ارومیه از جمله سهند، سراب، ارومیه، مراغه و مهاباد در ترکیب های ورودی مختلف استفاده شد. ماتریس همبستگی و الگوریتم رلیف مبنای انتخاب سناریوهای ورودی در نظر گرفته شد و تاثیر مولفه های تجزیه فصلی-روند در بهبود نتایج مدل سازی بررسی شد. عملکرد روش های مذکور با معیارهای ضریب همبستگی، ریشه میانگین مربعات خطا، ضریب نش ساتکلیف، میانگین خطای قدر مطلق و ضریب ویلموت اصلاح شده مورد ارزیابی قرار گرفت. بررسی نتایج نشان داد رویکرد دسته بندی در اکثر موارد نتایج قابل قبولی ارایه نموده و باعث بهبود نتایج مدل سازی می گردد. بررسی ها مشخص نمود که ایستگاه سهند با بیشترین همبستگی و کمترین فاصله از تبریز، موثرترین ایستگاه مجاور در برآورد میزان بارش تبریز می باشد. در حالت اول و بدون اعمال مولفه های تجزیه (روند، فصلی و باقیمانده) در بین روش های مورد استفاده روش M5P با سناریو اول شامل بارش سهند به عنوان روش و سناریو برتر انتخاب شد. در حالت دوم با وارد شدن مولفه های تجزیه، دقت تخمین ها به صورت چشم گیری افزایش یافت. ادغام روش دسته بندی با الگوریتم پایه M5P با پارامترهای بارش سهند و باقیمانده بارش تبریز با R=0.98 و NS=0.95 به عنوان برترین حالت انتخاب گردید. در حالت کلی نتایج نشان داد، بهره گیری توام از رویکرد دسته بندی مدل ها و الگوریتم پیش پردازش مولفه های تجزیه باعث بهبود نتایج مدل سازی بارش روزانه تبریز می شود. به طوریکه مقدار خطای RMSE نسبت به حالت اول 64/60  درصد کاهش یافت. بنابراین به علت استفاده از حداقل تعداد پارامتر ورودی و ارایه نتایج قابل قبول، مدل های دسته بندی با الگوریتم پایه درختی به عنوان روش های ساده و پرکاربرد پیشنهاد می گردد.