ارزیابی مدلهای پیشرفته یادگیری ماشین در پیش بینی تراز سطح آب دریاچه ارومیه

دریاچه ها نقش مهمی در چرخه هیدرولوژیکی دارند و پیش بینی سطح آب آنها می تواند اطلاعات حیاتی برای مدیریت آینده دریاچه ها و اکوسیستم آنها فراهم کند. در پژوهش حاضر 2 مدل شامل پس هرس کردن درخت به روش کاهش خطای هرس و مدل ترکیبی REPT با مدل جنگل چرخان (ROF-REPT) توسعه و ساخته شد، و برای پیش بینی 1، 2 و 3 ماه آتی سطح آب دریاچه ارومیه در شمال غرب ایران مورد استفاده قرار گرفت. داده های سری زمانی سطح آب از سال 2001 تا 2020 به دو دسته، به ترتیب برای ساخت مدل (از سال 2001 تا 2014) و اعتبارسنجی (از 2015 تا 2020) تقسیم شد. سناریوهای ورودی مختلف برای یافتن موثرترین سناریو ورودی از متغیرهای اقلیمی ساخته شد و مورد ارزیابی قرار گرفت. در نهایت مدل های توسعه یافته از طریق معیارهای بصری و کمی ارزیابی شدند. نتایج نشان داد که مدل ترکیبی ROF-REPT دارای عملکرد بالاتری نسبت به مدل منفرد REPT برای تمامی 1، 2 و 3 ماه آینده است. ضریب نش (Nash-Sutcliffe Efficiency) برای مدل های منفرد بین 0/45 تا 0/87 و برای مدل های ترکیبی بین 0/53 تا 0/95 حاصل شد. همچنین، نشان داده شد که مدل های توسعه یافته قادر به پیش بینی سطح آب تا 3 ماه آینده هستند.