مدل‌سازی و پیش‌بینی مکانی-زمانی رطوبت خاک در ایران با استفاده از داده‌های GLDAS  و الگوریتم  XGBoost

نیازی, یعقوب; اسعدی اسکویی, ابراهیم; رهنما, مهدی; کوزه گران, سعیده

doi:10.22034/iwm.2026.2089458.1274

مدل‌سازی و پیش‌بینی مکانی-زمانی رطوبت خاک در ایران با استفاده از داده‌های GLDAS و الگوریتم XGBoost

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان

یعقوب نیازی

ابراهیم اسعدی اسکویی

مهدی رهنما

سعیده کوزه گران

پژوهشگاه هواشناسی و علوم جو، تهران، ایران

10.22034/iwm.2026.2089458.1274

چکیده

چکیده مبسوط
مقدمه: رطوبت خاک متغیر کلیدی پیونددهنده سطح زمین و اتمسفر است و چرخه آب، توازن انرژی و پویایی پوشش گیاهی را کنترل می‌کند. اطلاعات دقیق و پیوسته مکانی از این متغیر، پیش‌نیاز مدیریت پایدار منابع آب، کشاورزی دقیق، پیش‌بینی سیل و پایش خشکسالی است؛ به‌ویژه در ایران که خشکسالی‌های مکرر و طولانی و کاهش آب زیرزمینی، تخصیص کارآمد آب را به اولویتی فوری تبدیل کرده است. اندازه‌گیری‌های زمینی اگرچه دقیق‌اند، همچنان نقطه‌ای و پرهزینه‌اند و از نمایش ناهمگنی مکانی رطوبت خاک در مقیاس‌های بزرگ ناتوان‌اند و شبکه‌های ملی پایش نیز پراکنده‌اند. در دهه‌های اخیر، فناوری سنجش از دور و محصولات بازتحلیل اقلیمی مانند سامانه جهانی یکسان‌سازی داده‌های زمینی (GLDAS) به‌عنوان جایگزین‌های قدرتمندی ظهور کرده‌اند که میدان‌های پیوسته مکانی-زمانی رطوبت سطحی خاک را فراهم می‌کنند؛ هم‌زمان الگوریتم‌های یادگیری ماشین و به‌ویژه روش‌های گرادیان بوستینگ مبتنی بر درخت مانند XGBoost توانایی شگرفی در رمزگشایی روابط پیچیده و غیرخطی میان متغیرهای محیطی نشان داده‌اند. پژوهش حاضر بررسی می‌کند که یک مدل داده‌محور تا چه اندازه می‌تواند رفتار مکانی-زمانی رطوبت سطحی خاک در ایران را صرفاً با مختصات جغرافیایی و زمان تقویمی بازسازی کند.
مواد و روش‌ها: رطوبت روزانه لایه سطحی خاک از محصول GLDAS-CLSM نسخه ۲.۲ (تفکیک ۲۵/۰ × ۲۵/۰ درجه) برای دوره ۲۱ ساله ۲۰۰۵ تا ۲۰۲۵ از مرکز خدمات داده و اطلاعات علوم زمین ناسا (GES DISC) دریافت شد؛ به مرز سیاسی ایران (پایگاه داده GADM) برش خورد، از کیلوگرم بر مترمربع به عمق معادل آب (میلی‌متر) تبدیل و در محیط R به میانگین‌های ماهانه تجمیع گردید. مدل رگرسیون XGBoost تنها با چهار پیش‌گو، یعنی طول، عرض، شماره ماه و سال، آموزش داده شد؛ متغیرهایی که به‌طور ضمنی گرادیان‌های ایستای محیطی (توپوگرافی، خاک و اقلیم) و نیز سیگنال‌های فصلی و بین‌سالانه را کدگذاری می‌کنند. داده‌ها به‌طور تصادفی به دو زیرمجموعه آموزش (۸۰ درصد) و آزمون مستقل (۲۰ درصد) تقسیم و ابرپارامترها (نرخ یادگیری 05/0، حداکثر عمق درخت ۸، نسبت زیرنمونه‌برداری 8/0 و ۳۰۰ دور بوستینگ) از طریق اعتبارسنجی متقابل ۵-بخشی روی داده‌های آموزش تنظیم شد. عملکرد مدل با هشت معیار آماری (R²، NSE، KGE، شاخص توافق، RMSE، MAE، بایاس و درصد بایاس) ارزیابی و هفت شاخص استاندارد خشکسالی (SMI، SMA، SSI، SMD، RSMI، SMAP و DSI) به‌همراه شاخص صدکی (SMP) از نقشه‌های پیش‌بینی‌شده برای پایش خشکسالی محاسبه شد.
نتایج و بحث: در مجموعه آزمون دست‌نخورده، مدل دقتی ممتاز از خود نشان داد: R² برابر با ۹۶۶/۰، NSE برابر با ۹۶۵/۰، KGE برابر با ۹۶۰/۰، شاخص توافق برابر با ۹۹۱/۰، RMSE برابر با ۲۸/۰ میلی‌متر و MAE برابر با ۱۸/۰ میلی‌متر؛ بایاس نزدیک به صفر بود و پیش‌بینی‌ها در مجاورت خط ۱:۱ متمرکز ماندند. نقشه‌های ماهانه ۲۰۲۰ تا ۲۰۲۵ گرادیان اقلیمی مورد انتظار کشور را بازتاب دادند: بیشترین مقادیر در سواحل خزر و دامنه‌های شمالی البرز، مقادیر میانه در امتداد زاگرس و کمترین مقادیر در نواحی خشک مرکزی، شرقی و جنوب‌شرقی، همراه با چرخه آشکار مرطوب در زمستان و خشک در تابستان. تحلیل اهمیت متغیرها تسلط متغیرهای زمانی را تأیید و نظم فصلی قوی داده‌ها را آشکار ساخت که با مطالعات پیشین همخوانی دارد. با این وجود، مدل حاضر یک درون‌یاب مکانی-زمانی است نه مدل فرایندی؛ تقسیم تصادفی داده‌ها خودهمبستگی مکانی و زمانی ذاتی داده‌های شبکه‌ای GLDAS را به‌طور کامل برنمی‌تابد، از این‌رو دقت گزارش‌شده ممکن است تا حدی خوش‌بینانه باشد و برون‌یابی به خارج از دامنه آموزش نیز قابل اعتماد نیست.
نتیجه‌گیری: XGBoost تنها با چهار ورودی حداقلی، ابزاری دقیق و کم‌هزینه برای بازسازی و پرکردن خلأهای داده رطوبت سطحی خاک GLDAS در مقیاس ملی فراهم می‌آورد که برای سامانه‌های هشدار زودهنگام خشکسالی، برنامه‌ریزی آبیاری و مدیریت منابع آب در مناطق فاقد ایستگاه ارزشمند است. در مطالعات آینده باید از اعتبارسنجی متقابل بلوکی-مکانی یا حذف یک‌سال-در-میان برای تضمین استقلال داده‌های آموزش و آزمون استفاده و مشاهدات ماهواره‌ای با تفکیک مکانی بالاتر (نظیر Sentinel-1) و پیش‌ران‌های فیزیکی مانند بارش، دما، بافت خاک و پوشش گیاهی برای ارتقای دقت و انتقال‌پذیری تلفیق شود؛ این چارچوب را می‌توان برای واکاوی اثر تغییر اقلیم بر رطوبت خاک آینده نیز به‌کار گرفت.

کلیدواژه‌ها

شاخص‌های خشکسالی

GLDAS-CLSM

بازتحلیل هیدرولوژیکی

یادگیری ماشین

درون‌یابی مکانی-زمانی

موضوعات