کوکب شاهقلیان - Department of Irrigation & Reclamation Engineering, Faculty of Agricultural Engineering & Technology, College of Agriculture & Natural Resources, University of Tehran, Karaj, Tehran, Iran
جواد بذرافشان - Department of Irrigation & Reclamation Engineering, Faculty of Agricultural Engineering & Technology, College of Agriculture & Natural Resources, University of Tehran, Karaj, Tehran, Iran
پرویز ایران نژاد - Associate Professor, Department of Space Physics, Institute of Geophysics, University of Tehran

پیش بینی کوتاه مدت بارشهای سنگین اهمیت ویژهای در هشدار سیل و به حداقل رساندن آسیبهای ناشی از آن دارد. در این مطالعه، تعریف جدیدی از بارش سنگین منطقه ای برپایه الگوی احتمالاتی رگبارها ارائه شد. برای این منظور از داده های بارش روزانه (۲۰۱۸-۱۹۸۷) مربوط به ۱۲ ایستگاه همدید در جنوب غرب ایران استفاده شد. به علاوه، شش متغیر همدیدی در ترازهای ۱۰۰۰ تا ۲۰۰ هکتوپاسکال مربوط به یک تا پنج روز قبل از بارش سنگین (که گستره وسیعی در خارج منطقه مطالعاتی را پوشش می دهند) به عنوان پیش بینی گر مورداستفاده قرار گرفت. برای اجرای این پژوهش از چهار روش انتخاب متغیر و ده مدل یادگیری ماشین از نوع طبقه بندی کننده دودوئی استفاده شد. نتایج نشان داد که به منظور تشخیص بارشهای سنگین از غیر سنگین، بهترین حالت استفاده از دادههای تا چهار روز پیش از رخداد بارش است. همچنین، از بین چهار روش انتخاب متغیر، روشهای Chi-Square و Extra Tree برCorrelation  و Random Forest  برتری دارند. در نتیجه این مطالعه مشخص شد که مدل Random Forest با روش انتخاب متغیر Chi-Square بالاترین کارایی در پیش بینی بارشهای سنگین در منطقه مطالعاتی را دارد. متغیرهای همدیدی مناسب برای پیش بینی بارش سنگین شامل رطوبت نسبی و رطوبت ویژه ۱-۲ روز قبل و باد برداری ۲-۴ روز قبل از رخداد بودند.

regional heavy precipitation, Prediction, Data Mining, Synoptic variables, Iran