ارزیابی مدل‌های یادگیری ماشین مبتنی بر MICE در بازسازی داده‌های گمشده اقلیمی در حوضه دریاچه ارومیه

شایان‌نژاد, محمد; جمالی, محمد

doi:10.22098/mmws.2026.19270.1777

ارزیابی مدل‌های یادگیری ماشین مبتنی بر MICE در بازسازی داده‌های گمشده اقلیمی در حوضه دریاچه ارومیه

مقالات آماده انتشار

نوع مقاله : پژوهشی

نویسندگان

گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه صنعتی اصفهان، اصفهان، ایران

10.22098/mmws.2026.19270.1777

چکیده

وجود داده‌های گمشده در شبکه‌های ایستگاه‌های هواشناسی یکی از چالش‌های مهم در مطالعات هیدرولوژیکی و اقلیمی است که می‌تواند موجب افزایش عدم‌قطعیت و کاهش دقت تحلیل‌ها شود. انتخاب روش مناسب برای بازسازی این داده‌ها نقش تعیین‌کننده‌ای در بهبود کیفیت نتایج دارد. در این پژوهش، عملکرد روش MICE و چهار رویکرد ترکیبی آن شامل MICE–LR، MICE–DT، MICE–KNN و MICE–SVM در بازسازی داده‌های گمشده متغیرهای اقلیمی مورد ارزیابی قرار گرفت. تحلیل‌ها با استفاده از داده‌های شش ایستگاه منتخب حوضه دریاچه ارومیه انجام شد که تنوع مکانی و اقلیمی مناسبی را پوشش می‌دهند. ارزیابی عملکرد مدل‌ها بر اساس شاخص کارایی کلینگ–گوپتا (KGE)، درصد اریبی (PBIAS) و زمان اجرای محاسباتی صورت گرفت. نتایج نشان داد که تمامی مدل‌ها توانایی قابل قبولی در بازسازی داده‌های گمشده دارند؛ با این حال، بهبود عملکرد نسبت به روش پایه MICE وابسته به نوع مدل بوده است. در این میان، مدل‌های MICE–DT و MICE–SVM عملکرد برتری نسبت به مدل پایه از خود نشان دادند؛ به‌طوری‌که مدل MICE–DT در بازسازی متغیرهای دمایی، ابرناکی و فشار و مدل MICE–SVM در متغیرهای رطوبتی دقت بالاتری را ارائه کردند. با این وجود، روش پایه MICE در متغیرهای تابش و انرژی عملکردی قابل رقابت با مدل‌های ترکیبی داشت. در این میان، مدل‌های MICE–LR و MICE–DT با مقادیر کم‌تر PBIAS و زمان اجرای پایین‌تر، توازن مناسبی بین دقت بازسازی و کارایی محاسباتی برقرار کردند. در مقابل، مدل MICE–KNN به دلیل نیاز به محاسبه فاصله بین نمونه‌ها در هر تکرار، زمان اجرای بیشتری نسبت به مدل‌های خطی داشت. همچنین، مدل MICE–SVM به علت فرآیند بهینه‌سازی تکرارشونده در آموزش و تنظیم پارامترهای کرنل در هر مرحله از الگوریتم MICE، زمان اجرای قابل توجهی را به خود اختصاص داد؛ از این‌رو، در داده‌های حجیم و کاربردهای عملی در مقیاس‌های بزرگ گزینه‌ای کم‌کارآمدتر محسوب می‌شود. به‌طور کلی، نتایج این مطالعه نشان می‌دهد که استفاده از رویکردهای ترکیبی ساده‌تر مبتنی بر MICE می‌تواند راهکاری مؤثر و کارآمد برای بازسازی داده‌های گمشده اقلیمی باشد.

کلیدواژه‌ها