چکیده
بارندگی یکی از مهمترین اجزای چرخه آب بوده و به عنوان یکی از مهمترین مؤلفه های ورودی به چرخه هیدرولوژی به شمار می رود که در سنجش خصوصیات اقلیمی هر منطقه نقش بسیار مهمی را ایفا می کند . یش‌بینی بارندگی نقش بسیار مهمی در آمادگی، مدیریت و پیشگیری از رخدادهای ناشی از مخاطرات طبیعی ایفا می‌کند. در این پژوهش برای پیش بینی بارندگی سالانه ایستگاه سینوپتیک اهواز از داده‌های بارش سالانه ایستگاه اهواز برای دوره آماری ۲۰۱۹ - ۱۹۷۰ استفاده گردید . برای پیش‌بینی رفتار بارش از روش مدلسازی آریما بهره گرفته شد . برای بررسی ایستایی مدل توابع خودهمبستگی(ADF) و خودهمبستگی جزیی (PACF) بکار رفت بهترین مدل آریما برای پیش‌بینی بارش ایستگاه اهواز مدل آریما (3,1,1) تشخیص داده شد. پیش بینی بارش برای سال‌های آتی روند نزولی بارش برای ایستگاه اهواز را نشان می‌دهد. همچنین در این پژوهش برای پیش بینی بارندگی سالانه ایستگاه اهواز از روش یادگیری ماشین درخت تصادفی یا Random Forest (RF) بهره گرفته شد که با توجه به سری زمانی داده‌ها نسبت به مدل آریما از دقت کمتری برخوردار بود. هدف از این مدل، مقایسه با سری زمانی ARIMA به‌منظور پیش‌بینی بارندگی سالانه در ایستگاه اهواز است.