ریز‌مقیاس‌نمایی رطوبت سطحی خاک GLDAS با استفاده از الگوریتم‌های یادگیری ماشین و ارزیابی عملکرد آن‌ها در اقلیم‌های مختلف ایران

نوع مقاله : پژوهشی

نویسندگان

1 مهندسی منابع آب، گروه مهندسی آب، پردیس ابوریحان، دانشگاه تهران

2 عضو هیات علمی گروه آب پردیس ابوریحان دانشگاه تهران

3 دانشکدگان علوم و فناوری های میان رشته ای، دانشگاه تهران، تهران، ایران

4 گروه مهندسی عمران، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

5 گروه مهندسی آب، پردیس ابوریحان، دانشگاه تهران، تهران، ایران

چکیده

موضوع: ریزمقیاس‌نمایی داده‌های رطوبت سطحی خاک پایگاه داده GLDAS به دلیل محدودیت داده‌های مشاهده‌ای رطوبت خاک و دقت مکانی پایین داده‌های بازتحلیل، نیازمند بهره‌گیری از الگوریتم‌های یادگیری ماشین است.
هدف: آموزش و ارزیابی عملکرد الگوریتم‌های یادگیری ماشین در ریزمقیاس‌نمایی رطوبت سطحی خاک GLDASدر نواحی اقلیمی مختلف ایران.
روش تحقیق: الگوریتم‌های Random Forest، XGBoost، CatBoost و LightGBM برای ریزمقیاس‌نمایی به ‌کار گرفته شدند. ورودی مدل‌ها شامل متغیرهای اقلیمی ایستگاهی (دمای حداقل و حداکثر، بارش و تبخیر) و ویژگی‌های مکانی ایستگاه‌ها در مقیاس ماهانه و طی دوره‌ای ۳۱‌ساله بود. مدل‌ها با استفاده از مقادیر رطوبت سطحی خاک GLDAS آموزش داده شدند و خروجی آن‌ها رطوبت خاک ریزمقیاس‌شده در تفکیک مکانی بالاتر است. داده‌های رطوبت خاک مشاهده‌ای فقط برای اعتبار‌سنجی مستقل استفاده شدند. تقسیم داده‌ها به مجموعه‌های آموزش (80 درصد) و آزمون (20 درصد) بر اساس ترتیب زمانی انجام شد.
یافته‌ها: الگوریتم CatBoost با ارائۀ ضریب تعیین فراتر از 73/0 در تمامی نواحی اقلیمی مورد مطالعه، توانمندی بالایی در استخراج الگوهای غیرخطی رطوبت خاک دارد. علی‌رغم وابستگی دقت به ویژگی‌های اقلیمی و پراکندگی مکانی داده‌ها، CatBoost به دلیل قابلیت تعمیم‌پذیری بالا و عملکرد مطلوب در اعتبار‌سنجی مستقل در سطح ملی (R² = 0.607، RMSE = 4.286، Bias = 2.131)، الگوریتمی کارآمد برای پیش‌بینی رطوبت خاک در تمامی پهنه‌های مورد مطالعه شناخته شد.
نتیجه‌گیری: نتایج نشان می‌دهد الگوریتم‌های یادگیری ماشین، به‌ویژه CatBoost، چارچوبی کارآمدی برای ریزمقیاس‌نمایی مدل‌محور رطوبت سطحی خاک GLDAS در مقیاس منطقه‌ای و ملی فراهم می‌کنند و می‌توانند در پایش خشکسالی و مدیریت منابع آب در مناطق فاقد داده‌های مشاهده‌ای کافی مورد استفاده قرار گیرند.

کلیدواژه‌ها

موضوعات

مراجع

  • Abdeh kolahchi,A. , Miri,M. , Zand,M. and Porhemmat,J. (2023). Comparative Evaluation of GLDAS, ESA CCI SM and SMAP Soil Moisture with in situ Measurements (Case Study: Lorestan Province). Environment and Water Engineering, 9(4), 548-562. doi: 10.22034/ewe.2023.367471.1819. (in Persian)
  • Ali, Z., Hamed, M. M., Nashwan, M. S., & Shahid, S. (2023). Spatiotemporal analysis of groundwater resources sustainability in South Asia and China using GLDAS data sets. Environmental Earth Sciences, 82(24), 586.
  • Amini, A., Moghadam, M. K., Kolahchi, A. A., Raheli-Namin, M., & Ahmed, K. O. (2023). Evaluation of GLDAS soil moisture product over Kermanshah province, Iran. H2Open Journal, 6(3), 373–386.
  • Arah, O. A., Chiba, Y., & Greenland, S. (2008). Bias formulas for external adjustment and sensitivity analysis of unmeasured confounders. Annals of Epidemiology, 18(8), 637–646.
  • Azur, M. J., Stuart, E. A., Frangakis, C., & Leaf, P. J. (2011). Multiple imputation by chained equations: what is it and how does it work? International Journal of Methods in Psychiatric Research, 20(1), 40–49.
  • Batchu, V., Nearing, G., & Gulshan, V. (2023). A deep learning data fusion model using sentinel-1/2, SoilGrids, SMAP, and GLDAS for soil moisture retrieval. Journal of Hydrometeorology, 24(10), 1789–1823.
  • Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.
  • Cai, J., Zhang, Y., Li, Y., Liang, X. S., & Jiang, T. (2017). Analyzing the characteristics of soil moisture using GLDAS data: A case study in eastern China. Applied Sciences, 7(6), 566.
  • Chahine, M. T. (1992). The hydrological cycle and its influence on climate. Nature, 359(6394), 373–380.
  • Chen, L., He, Q., Liu, K., Li, J., & Jing, C. (2019). Downscaling of GRACE-derived groundwater storage based on the random forest model. Remote Sensing, 11(24), 2979.
  • Chen, S., She, D., Zhang, L., Guo, M., & Liu, X. (2019). Spatial downscaling methods of soil moisture based on multisource remote sensing data and its application. Water, 11(7), 1401.
  • Chen, Y., Yang, K., Qin, J., Zhao, L., Tang, W., & Han, M. (2013). Evaluation of AMSR‐E retrievals and GLDAS simulations against observations of a soil moisture network on the central Tibetan Plateau. Journal of Geophysical Research: Atmospheres, 118(10), 4466–4475.
  • Chicco, D., Warrens, M. J., & Jurman, G. (2021). The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. Peerj Computer Science, 7, e623.
  • Dormann, C. F., Elith, J., Bacher, S., Buchmann, C., Carl, G., Carré, G., Marquéz, J. R. G., Gruber, B., Lafourcade, B., & Leitão, P. J. (2013). Collinearity: a review of methods to deal with it and a simulation study evaluating their performance. Ecography, 36(1), 27–46.
  • Evans, S., Williams, G. P., Jones, N. L., Ames, D. P., & Nelson, E. J. (2020). Exploiting earth observation data to impute groundwater level measurements with an extreme learning machine. Remote Sensing, 12(12), 2044.
  • Famiglietti, J. S., Lo, M., Ho, S. L., Bethune, J., Anderson, K. J., Syed, T. H., Swenson, S. C., de Linage, C. R., & Rodell, M. (2011). Satellites measure recent rates of groundwater depletion in California’s Central Valley. Geophysical Research Letters, 38(3).
  • Fatolazadeh, F., Eshagh, M., & Goïta, K. (2020). A new approach for generating optimal GLDAS hydrological products and uncertainties. Science of the Total Environment, 730, 138932.
  • Gaona, J., Benito-Verdugo, P., Martínez-Fernández, J., González-Zamora, Á., Almendra-Martín, L., & Herrero-Jiménez, C. M. (2023). Predictive value of soil moisture and concurrent variables in the multivariate modelling of cereal yields in water-limited environments. Agricultural Water Management, 282, 108280.
  • Gedara, S. M., Wasantha, P. L. P., Teodosio, B., Yaghoubi, E., van Staden, R., & Guerrieri, M. (2025). Investigation of seasonal soil moisture and temperature variations underneath a waffle raft foundation built on reactive soil. Scientific Reports, 15(1), 34499.
  • (2024). The Bridge Between Data and Science. NASA. https://giovanni.gsfc.nasa.gov/giovanni/
  • Hasan, F., Medley, P., Drake, J., & Chen, G. (2024). Advancing hydrology through machine learning: insights, challenges, and future directions using the CAMELS, caravan, GRDC, CHIRPS, PERSIANN, NLDAS, GLDAS, and GRACE datasets. Water, 16(13), 1904.
  • Jiménez, C., Prigent, C., Mueller, B., Seneviratne, S. I., McCabe, M. F., Wood, E. F., Rossow, W. B., Balsamo, G., Betts, A. K., & Dirmeyer, P. A. (2011). Global intercomparison of 12 land surface heat flux estimates. Journal of Geophysical Research: Atmospheres, 116(D2).
  • Koster, R. D., & Suarez, M. J. (1992). Modeling the land surface boundary in climate models as a composite of independent vegetation stands. Journal of Geophysical Research: Atmospheres, 97(D3), 2697–2715.
  • Liang, X. (1994). A simple hydrologically based model of land surface water and enlergy fluxes for general circulation models. Geophys. Res., 99(7), 14–415.
  • Little, R. J. A., & Rubin, D. B. (2019). Statistical analysis with missing data. John Wiley & Sons.
  • Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30.
  • Mehmood, K., Anees, S. A., Muhammad, S., Shahzad, F., Liu, Q., Khan, W. R., Shrahili, M., Ansari, M. J., & Dube, T. (2025). Machine learning and spatio temporal analysis for assessing ecological impacts of the billion tree afforestation project. Ecology and Evolution, 15(2), e70736.
  • Mitchell, K. E., Lohmann, D., Houser, P. R., Wood, E. F., Schaake, J. C., Robock, A., Cosgrove, B. A., Sheffield, J., Duan, Q., & Luo, L. (2004). The multi‐institution North American Land Data Assimilation System (NLDAS): Utilizing multiple GCIP products and partners in a continental distributed hydrological modeling system. Journal of Geophysical Research: Atmospheres, 109(D7).
  • Mousavimehr, S. M., & Kavianpour, M. R. (2025). Estimating Groundwater Levels in Tehran Province Using Ensemble Learning Algorithms. Contributions of Science and Technology for Engineering, 2(1), 51–63.
  • Nabavi,S. N. , Alizadeh,A. and Faridhosseini,A. (2020). Evaluation of groundwater resources using GRACE Satellite Gravimetric Data (Case study: Khorasan Razavi). Iranian Journal of Irrigation & Drainage, 14(3), 855-866. (in Persian)
  • Nouraki, A. , golabi, M. , albaji, M. , naseri, A. and Homayouni, S. (2023). Spatial-temporal modeling of soil moisture using optical and thermal remote sensing data and machine learning algorithms. Iranian Journal of Soil and Water Research, 54(4), 637-653. doi: 10.22059/ijswr.2023.356707.669469. (in Persian)
  • Park, S., Park, S., Im, J., Rhee, J., Shin, J., & Park, J. D. (2017). Downscaling GLDAS soil moisture data in East Asia through fusion of multi-sensors by optimizing modified regression trees. Water, 9(5), 332.
  • Raziei, T. (2022). Climate of Iran according to Köppen-Geiger, Feddema, and UNEP climate classifications. Theoretical & Applied Climatology, 148.
  • Rodell, M., Chen, J., Kato, H., Famiglietti, J. S., Nigro, J., & Wilson, C. R. (2007). Estimating groundwater storage changes in the Mississippi River basin (USA) using GRACE. Hydrogeology Journal, 15, 159–166.
  • Rodell, M., Houser, P. R., Jambor, U. E. A., Gottschalck, J., Mitchell, K., Meng, C.-J., Arsenault, K., Cosgrove, B., Radakovich, J., & Bosilovich, M. (2004). The global land data assimilation system. Bulletin of the American Meteorological Society, 85(3), 381–394.
  • Rodell, M., Velicogna, I., & Famiglietti, J. S. (2009). Satellite-based estimates of groundwater depletion in India. Nature, 460(7258), 999–1002.
  • San Liang, X., & Zhang, Y. (2018). Coastal Environment, Disaster, and Infrastructure: A Case Study of China’s Coastline. BoD–Books on Demand.
  • Senanayake, I. P., Pathira Arachchilage, K. R. L., Yeo, I.-Y., Khaki, M., Han, S.-C., & Dahlhaus, P. G. (2024). Spatial downscaling of satellite-based soil moisture products using machine learning techniques: A review. Remote Sensing, 16(12), 2067.
  • Shang, K. Z., Wang, S. G., Ma, Y. X., Zhou, Z. J., Wang, J. Y., Liu, H. L., & Wang, Y. Q. (2007). A scheme for calculating soil moisture content by using routine weather data. Atmospheric Chemistry and Physics, 7(19), 5197–5206.
  • Strassberg, G., Scanlon, B. R., & Rodell, M. (2007). Comparison of seasonal terrestrial water storage variations from GRACE with groundwater‐level measurements from the High Plains Aquifer (USA). Geophysical Research Letters, 34(14).
  • Ting, Y.-S. (2024). Why Machine Learning Models Systematically Underestimate Extreme Values. ArXiv Preprint ArXiv:2412.05806.
  • Tiwari, V. M., Wahr, J., & Swenson, S. (2009). Dwindling groundwater resources in northern India, from satellite gravity observations. Geophysical Research Letters, 36(18).
  • Wang, L., & Gao, Y. (2025). Estimating and downscaling ESA-CCI soil moisture using Multi-Source remote sensing images and Stacking-Based ensemble learning algorithms in the Shandian River Basin, China. Remote Sensing, 17(4), 716.
  • Wu, Q., Si, B., He, H., & Wu, P. (2019). Determining regional-scale groundwater recharge with GRACE and GLDAS. Remote Sensing, 11(2), 154.
  • Xia, Y., Mitchell, K., Ek, M., Sheffield, J., Cosgrove, B., Wood, E., Luo, L., Alonge, C., Wei, H., & Meng, J. (2012). Continental‐scale water and energy flux analysis and validation for the North American Land Data Assimilation System project phase 2 (NLDAS‐2): 1. Intercomparison and application of model products. Journal of Geophysical Research: Atmospheres, 117(D3).
  • Xu, J., Su, Q., Li, X., Ma, J., Song, W., Zhang, L., & Su, X. (2024). A Spatial Downscaling Framework for SMAP Soil Moisture Based on Stacking Strategy. Remote Sensing, 16(1), 200.
  • Xu, Z., Sun, H., Gao, J., Wang, Y., Wu, D., Zhang, T., & Xu, H. (2024). PhySoilNet: A deep learning downscaling model for microwave satellite soil moisture with physical rule constraint. International Journal of Applied Earth Observation and Geoinformation, 135, 104290.
  • Yin, W., Hu, L., Zhang, M., Wang, J., & Han, S. (2018). Statistical downscaling of GRACE‐derived groundwater storage using ET data in the North China plain. Journal of Geophysical Research: Atmospheres, 123(11), 5973–5987.
  • Zaitchik, B. F., Rodell, M., & Olivera, F. (2010). Evaluation of the Global Land Data Assimilation System using global river discharge data and a source‐to‐sink routing scheme. Water Resources Research, 46(6).
  • Zuo, J., Xu, J., Li, W., & Yang, D. (2019). Understanding shallow soil moisture variation in the data-scarce area and its relationship with climate change by GLDAS data. Plos One, 14(5), e0217020.
مجله اکوهیدرولوژی
دوره 12، شماره 4
دی 1404
صفحه 982-1004

فایل ها

سابقه مقاله

  • تاریخ دریافت: 22 مهر 1404
  • تاریخ بازنگری: 13 آبان 1404
  • تاریخ پذیرش: 25 آذر 1404
  • تاریخ اولین انتشار: 01 دی 1404
  • تاریخ انتشار: 01 دی 1404

هم رسانی

ارجاع به این مقاله

آمار