جزئیاتآب و هوا و اقلیم از جمله مولفههای کلیدی برای فهم و پیشبینی پدیدههای طبیعی و اجتماعی هستند. با توجه به تغییرات آب و هوایی و تأثیرات آن بر زندگی انسان و اکوسیستمها، تحلیل و طبقهبندی اقلیم به یک ضرورت علمی و عملی تبدیل شده است. دادههای هواشناسی، شامل دما، بارش و رطوبت، نقش بسیار مهمی در فهم الگوهای اقلیمی و پیشبینی رفتار آب و هوا ایفا میکنند. طبقهبندی اقلیمی، به عنوان یک ابزار تحلیلی برای شناسایی و مقایسه ویژگیهای اقلیمی مناطق مختلف، میتواند به ما در شناسایی نقاط قوت و ضعف یک منطقه در برابر تغییرات اقلیمی کمک کند. در این راستا، استفاده از تکنیکهای پیشرفته یادگیری ماشین در تحلیل دادههای اقلیمی ابزاری نوین و کارآمد به شمار میرود. این تکنیکها توانایی تشخیص الگوهای پیچیده و غیرخطی در دادههای حجیم را دارند و میتوانند به بهبود دقت طبقهبندی اقلیمی کمک کنند. با توجه به دریافت و پردازش دادههای ایستگاههای سینوپتیک به همراه دادههای ERA5، که به صورت جهانی و با دقت بالا تهیه میشوند، امکان تجزیه و تحلیل جامعتری از وضعیت اقلیمی فراهم میشود. در این پژوهش از داده های میانگین دما و مجموع بارش ماهانه ERA5 با تفکیک افقی 9 کیلومتر (0.1 درجه) برای دو سری بازه زمانی از 1950 تا 2024 و نیز سری زمانی سی ساله از 1995 تا 2024 و برای دو ماتریس داده مختلف به صورت ماتریس داده های ماهانه دما و بارش در سالهای مختلف و نیز ماتریس میانگین بلند مدت ماهانه دما و بارش استفاده شده است و نتایج این گروه داده ها با هم مقایسه می شوند. با استفاده از الگوریتم های یادگیری ماشین و استفاده از روش K-means طبقه بندی اقلیمی استان هرمزگان انجام شد و در نهایت با استفاده از روشهای ارزیابی خوشه بندی تعداد خوشه بهینه بدست می آید. نتایج نشان داد در تمام حالت های ماتریسی مورد بررسی با استفاده از شاخص های سیلوئت، شاخص کالینسکی و شاخص دیویس بولدین تعداد k=2 خوشه بهینه حاصل شد . در نهایت طبقه بندی اقلیمی با استفاده از روشهای یادگیری ماشین تطابق بسیار خوبی با روش طبقه بندی اقلیمی کلاسیک کوپن نشان داد. به گونه ای که اقلیم استان هرمزگان در دو خوشه اقلیمی نیمه بیابانی خشک و بسیار گرم(BSH) و نیز بیابانی خشک و بسیار گرم(BWH) قرار گرفت.
کلمات کلیدی: یادگیری ماشین ، طبقه بندی اقلیمی ، داده های ایستگاهی ، هرمزگان، ERA5
