موسسه انتشارات دانشگاه تهران تحقیقات آب و خاک ایران 2008-479X 57 2 2026 04 21 Reconstruction of Missing Climatic Data Using Combination of Multiple Imputation by Chained Equations (MICE) and Boosting-Based Machine Learning Approaches in the Urmia Lake Basin بازسازی داده‌های گمشده اقلیمی با استفاده از ترکیب روش بازسازی چندگانه با معادلات زنجیره‌ای (MICE) و مدل‌های تقویتی یادگیری ماشین در حوضه آبریز دریاچه ارومیه 467 489 106974 10.22059/ijswr.2026.406383.670053 FA محمد شایان‌نژاد گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه صنعتی اصفهان، اصفهان، ایران محمد جمالی گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه صنعتی اصفهان، اصفهان، ایران سعید اسلامیان گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه صنعتی اصفهان، اصفهان، ایران 0000-0002-6648-3354 Journal Article 2025 11 18 The availability of complete and accurate climatic data plays a crucial role in climatological analyses, hydrological studies, and water resource management. However, meteorological station records often contain missing values, which, if not properly reconstructed, can introduce significant bias into subsequent modeling and analysis. In this study, missing climatic data were reconstructed for six selected meteorological stations—Tabriz, Bonab, Urmia, Maragheh, Saqez, and Sarab—located in the Urmia Lake Basin. Four models, including MICE, MICE–GBR, MICE–XGB, and MICE–LGBM, were developed and compared. Model performance was evaluated using statistical indices such as R², NRMSE, |PBIAS|, and KGE. Results revealed that hybrid MICE models based on boosting algorithms provided more accurate and stable reconstructions than the conventional MICE model. Among the tested models, MICE–XGB achieved the best overall performance, with average R² exceeding 0.90 and KGE above 0.92 across most stations. The lowest errors were observed for temperature-related variables, while the highest occurred in cloudiness-related parameters. The |PBIAS| values for all models were below 0.025%, indicating negligible systematic bias. Furthermore, model runtime comparisons demonstrated that boosting-based methods, despite their high accuracy, remained computationally efficient and cost-effective. Overall, the findings confirm the superior capability of hybrid MICE models combined with boosting algorithms for reconstructing missing climatic data, highlighting their potential for future climatological and hydrological analyses in data-scarce environments. در دسترس بودن داده‌های کامل و دقیق اقلیمی، نقش کلیدی در تحلیل‌های اقلیم‌شناسی، مطالعات هیدرولوژیکی و مدیریت منابع آب دارد. با این حال، داده‌های ثبت‌شده در ایستگاه‌های هواشناسی معمولاً با گمشدگی مواجه‌اند که در صورت بازسازی نادرست می‌تواند موجب انحراف در نتایج مدل‌سازی شود. در این پژوهش، به‌منظور بازسازی داده‌های گمشده اقلیمی در شش ایستگاه منتخب تبریز، بناب، ارومیه، مراغه، سقز و سراب، واقع در حوضه آبریز دریاچه ارومیه، چهار مدل شامل MICE، MICE–GBR، MICE–XGB و MICE–LGBM مورد بررسی و مقایسه قرار گرفتند. برای ارزیابی کارایی مدل‌ها از شاخص‌های آماری R²، NRMSE، |PBIAS|  و KGE استفاده شد. نتایج نشان داد مدل‌های ترکیبی مبتنی بر الگوریتم‌های تقویتی نسبت به مدل پایه MICE عملکرد دقیق‌تر و باثبات‌تری دارند. در میان آن‌ها، مدل MICE–XGB با میانگین R² بالاتر از 90/0 و KGE بیش از 92/0 در اغلب ایستگاه‌ها بهترین نتایج را ارائه داد. کمترین خطاها در متغیرهای دمایی و بیشترین در متغیرهای وابسته به ابرناکی مشاهده شد. مقدار |PBIAS∣  در تمام مدل‌ها کمتر از 025/0 درصد بود که نشان‌دهنده عدم وجود بایاس سیستماتیک قابل توجه است. همچنین مقایسه زمان اجرای مدل‌ها نشان داد روش‌های تقویتی علی‌رغم دقت بالا، از نظر محاسباتی بهینه و مقرون‌به‌صرفه هستند. در مجموع، یافته‌ها بیانگر کارایی بالای مدل‌های ترکیبی MICE با یادگیری تقویتی در بازسازی داده‌های اقلیمی و پیشنهاد به‌کارگیری آن‌ها در تحلیل‌های اقلیمی و هیدرولوژیکی آتی است. https://ijswr.ut.ac.ir/article_106974_9d12a6786e3738367e83191419f31516.pdf