ارزیابی مقایسه‌ای مدل‌های یادگیری ماشین و یادگیری عمیق در پیش‌بینی پارامترهای اقلیمی (مطالعه موردی: ایستگاه سینوپتیک کاشان)

چکیده مقاله

در این پژوهش، عملکرد سه مدل هوش مصنوعی شامل Random Forest، شبکه حافظه بلندکوتاه‌مدت (LSTM) و Transformerدر شبیه‌سازی و پیش‌بینی چهار پارامتر اقلیمی شامل حداقل دمای روزانه، حداکثر دمای روزانه، میانگین دمای روزانه و بارندگی روزانه در ایستگاه سینوپتیک کاشان بررسی و مقایسه شد. داده‌های مورد استفاده شامل ۱۶۴۳۷ مشاهده روزانه در دوره ۱۹۸۰ تا ۲۰۲۴ بود. پس از کنترل کیفیت و اصلاح مقادیر مفقود و نامعتبر، داده‌ها بر اساس ترتیب زمانی به سه مجموعه آموزش (۱۹۸۰–۲۰۱۶)، اعتبارسنجی (۲۰۱۷–۲۰۲۰) و آزمون (۲۰۲۱–۲۰۲۴) تقسیم شدند. سپس، فرآیند نرمال‌سازی Min-Max و تولید ویژگی‌های زمانی و تأخیری بر روی داده‌ها انجام گرفت. عملکرد مدل‌ها با استفاده از معیارهای MAE، RMSE، MAPE و R² ارزیابی شد. نتایج نشان داد که Transformer در پیش‌بینی پارامترهای دمایی عملکرد بهتری داشت؛ به‌طوری‌که برای حداکثر دما مقادیر MAE برابر 490/1 درجه سلسیوس، RMSE برابر 913/1 درجه سلسیوس و R² برابر 967/0 به دست آمد. در پیش‌بینی بارندگی، LSTM با MAE برابر 719/7 میلی‌متر، RMSE برابر 371/13 میلی‌متر و R² برابر 178/0 عملکرد بهتری نسبت به دو مدل دیگر نشان داد. بر اساس مدل‌های منتخب، پیش‌بینی دوره ۲۰۲۵ تا ۲۰۳۴ بیانگر افزایش میانگین دمای سالانه از 32/21 به 56/22 درجه سلسیوس و نوسان مجموع بارندگی سالانه در محدوده تقریبی ۱۱۶ تا ۱۲۰ میلی‌متر است. نتایج نشان می‌دهد که انتخاب مدل پیش‌بینی به ماهیت پارامتر اقلیمی وابسته بوده و مدل‌های مختلف می‌توانند برای متغیرهای دمایی و بارندگی عملکرد متفاوتی داشته باشند.