دانشگاه بیرجند-گروه پژوهشی خشکسالی وتغییراقلیم مجله پژوهش های خشکسالی و تغییراقلیم 3092-6076 3 ویژه نامه 2025 12 22 Using Machine Learning to Improve Precipitation Estimation by ERA5 Data at Meteorological Stations in West Azerbaijan Province استفاده از یادگیری ماشین برای بهبود تخمین بارش توسط داده‌های ERA5 در ایستگاه‌های هواشناسی استان آذربایجان غربی 37 56 3631 10.22077/jdcr.2025.9231.1137 FA مسلم محمدی استادیار گروه کامپیوتر، دانشکده مهندسی، دانشگاه پیام نور، تهران، ایران. Journal Article 2025 04 19 Abstract : <br /><br />Accurate precipitation estimation plays a fundamental role in weather forecasting, water resources management, and disaster mitigation. In recent years, machine learning methods have emerged as a powerful tool for improving precipitation estimation. In this paper, artificial neural network regression and support vector machine regression methods are evaluated to map the estimated precipitation from ERA5 data to the precipitation measured at meteorological stations. In this study, various methods, including statistical methods and machine learning, are investigated by combining different features to improve the accuracy of ERA5 data. The study area includes 16 meteorological stations. The results show that the artificial neural network regression method increased the accuracy of rainfall estimation in proportion to the number of input features and, in the best case , led to the achievement of RMSE (2.73 mm for daily), CC (0.71 for daily ), NSE ( 0.50 for daily ), and NRMSE ( 0.05 for daily ). تخمین دقیق بارش نقشی اساسی در پیش‌بینی آب‌وهوا، مدیریت منابع آبی و کاهش اثرات بلایای طبیعی ایفا می‌کند. در سال‌های اخیر، روش‌های یادگیری ماشین به‌عنوان ابزاری توانمند برای بهبود تخمین بارش مطرح شده‌اند. در این مقاله، روش‌های رگرسیون شبکه‌های عصبی مصنوعی و رگرسیون ماشین بردار پشتیبان برای نگاشت میزان بارش تخمین زده شده توسط داده‌های ERA5به بارش‌های سنجش شده در ایستگاه‌های هواشناسی مورد ارزیابی قرار می‌گیرد. در این مطالعه، روش‌های مختلفی از جمله روش‌های آماری و یادگیری ماشین با استفاده از ترکیب ویژگی‌های مختلف برای بهبود دقت داده‌های ERA5 مورد بررسی قرار می‌گیرند. ناحیه مورد مطالعه شامل 16 ایستگاه هواشناسی می‌باشد. نتایج نشان می‌دهد که روش رگرسیون شبکه‌های عصبی مصنوعی دقت تخمین بارش را متناسب با تعداد ویژگی‌های ورودی افزایش داده و در بهترین حالت منجر به دستیابی به RMSE (mm73/2 برای روزانه)، CC ( 71/0 برای روزانه )، NSE (50/0 برای روزانه ) و NRMSE (05/0 برای روزانه) شد. تخمین بارش شبکه‌های عصبی ماشین بردار پشتیبان یادگیری ماشین داده‌های ERA5 https://jdcr.birjand.ac.ir/article_3631_de3cbc8417af2121629ae3b44e844e55.pdf