تحسين دقة توقعات الهطول الشهري باستخدام نماذج التعلم الآلي: تقنية التعلم بالترتيب متعدد الرؤى

تستكشف هذه الورقة البحثية تطبيق تقنيات التعلم الآلي (ML) في التنبؤ بالطقس والمناخ، مع التركيز بشكل خاص على توقع الهطول الشهري. تحلل الدراسة فعالية ستة نماذج تعلم آلي متعددة المتغيرات: شجرة القرار، الغابة العشوائية، أقرب الجيران (KNN)، أدا بوست، إكس جي بوست، والذاكرة طويلة وقصيرة الأمد (LSTM). تم استخدام نماذج السلاسل الزمنية متعددة المتغيرات التي تضم متغيرات الأرصاد الجوية المتأخرة لالتقاط ديناميات هطول الأمطار الشهرية في الرباط، المغرب، من 1993 إلى 2018. تم تقييم النماذج بناءً على مقاييس مختلفة، بما في ذلك الجذر التربيعي لمتوسط الخطأ (RMSE)، ومتوسط الخطأ المطلق (MAE)، ومعامل التحديد (R2). أظهر إكس جي بوست أعلى أداء من بين النماذج الستة الفردية، مع RMSE بلغ 40.8 (مم). بالمقابل، أظهرت شجرة القرار، أدا بوست، الغابة العشوائية، LSTM، وKNN أداءً أقل نسبيًا، مع قيم RMSE تتراوح بين 47.5 (مم) و51 (مم). تُقدَّم طريقة جديدة للتعلم بالترتيب متعدد الرؤى، مما يوفر منظورًا جديدًا حول استراتيجيات ML المختلفة. تم تصميم هذا الخوارزم لزيادة الاستفادة من نقاط القوة لكل نموذج فردي، بهدف تحسين دقة توقعات الهطول بشكل كبير. تم تحقيق أفضل النتائج من خلال الجمع بين شجرة القرار، KNN، وLSTM لبناء قاعدة البيانات الميتا، مع استخدام إكس جي بوست كمتعلم من المستوى الثاني. أدت هذه الطريقة إلى RMSE بلغ 17.5 ملليمتر. تظهر النتائج إمكانيات خوارزمية التعلم بالترتيب متعدد الرؤى المقترحة لتنقيح النتائج التنبؤية وتحسين دقة توقعات الهطول الشهري، مما يحدد معيارًا للأبحاث المستقبلية في هذا المجال.