محصولات ماهواره‌ای تنها منبع داده موجود با پوشش فضایی مناسب است، با این وجود، داده‌های آن‌ها بر مقادیر مشاهداتی منطبق نبوده و دارای انحراف است، هرچند این عدم تطابق به‌طور دقیق قابل رفع نیست، با این حال، یک راه‌حل کاهش سوگیری، واسنجی داده‌هاست. در حال حاضر، تکنیک‌های یادگیری ماشین برای بهبود دقت پیش‌بینی انواع مختلف پدیده‌های آب و هوایی به کار گرفته می‌شوند، لذا حل رگرسیونی مسائلی از این قبیل از طریق روش‌های مبتنی بر یادگیری ماشین و آموزش عمیق بسیار کارآمد است. باراش روزانه 19 ایستگاه باران‌سنج ثبات وزارت نیرو بین سال‌های 2010 تا 2021 میلادی استخراج شد و در مقابل مقادیر متوسط پیکسل‌های بارش روزانه متناظر آن‌ها در پایگاه داده ERA5 قرارگرفت. به‌منظور واسنجی داده‌ها، از سه الگوریتم D-Tree، KNN و MLP استفاده شد. دامنه تغییرات ضریب همبستگی در MLP، D-Tree و KNN به‌ترتیب برابر [0.87, 0.98]، [0.75, 0.97] و [0.4, 0.87] است. هم‌چنین این دامنه تغییرات برای RMSE در MLP بین 7/0 تا 4/2 میلی‌متر در روز متغیر بوده و این تغییرات برای D-Tree و KNN به‌ترتیب بین 8/0 تا 2/2 و 2/1 تا 5/2 محاسبه شده‌اند. در 75 درصد ایستگاه‌ها RMSE در الگوریتم‌های MLP، D-Tree و KNNبه‌ترتیب کم‌تر از 5/1، 9/1 و 2/2 میلی‌متر در روز است. دامنه تغییرات سوگیری در MLP، [18/0، 6/0- میلی‌متر در روز] بوده و این دامنه تغییرات برای D-Tree و KNN به‌ترتیب [16/0، 5/0 میلی‌متر در روز] و [6/0، 8/0- میلی‌متر در روز] محاسبه شده‌اند. سوگیری داده‌های اصلاحی و مقادیر مشاهده شده، در الگوریتم‌های MLP، D-Tree و KNN برای میانه ایستگاه‌ها به‌ترتیب برابر 09/0-، 11/0- و 16/0- میلی‌متر در روز است. ارزیابی عملکرد سه الگوریتم یادگیری ماشین (MLP، D-Tree و KNN) در تصحیح بارش روزانه پایگاه داده ERA5 و ‌مقایسه شاخص‌های آماری CC، RMSE و سوگیری برای داده‌های بازتولید شده نسبت به مقادیر زمینی نشان داد که در هر سه شاخص آماری الگوریتم MLP نسبت به دوالگوی دیگر بهتر عمل نموده و از دقت مناسبی برای تصحیح بارش روزانه برخوردار است.

کلمات کلیدی