هدف: هدف از این پژوهش، پیش بینی بارش درازمدت شهر ایلام با کاربرد مدل ترکیبی ماشین یادگیری است.
 
روش پژوهش: در این مطالعه، بارندگی درازمدت شهر ایلام در یک بازه زمانی 44ساله از 1980 تا 2024 توسط یک مدل ترکیبی ماشین یادگیری شبیه­سازی گردید. استان ایلام ازلحاظ قرارگیری در عرض های مختلف جغرافیایی، وضعیت توپوگرافی خاص دارای پراکندگی بارش ناموزونی است. در این تحقیق بعد از جمع آوری داده ها ابتدا میانگین تعداد ماه های بارش برای هرکدام از ایستگاه های موردمطالعه برای یک دوره ی به دست آمد. جهت پیش بینی از  مدل ماشین یادگیری استفاده گردید. در گام نخست داده­های مشاهداتی نرمال­سازی شدند و بهترین ضرایب نرمال­سازی برای این مطالعه بدست آمدند. تقریبا 70 درصد داده­های مشاهداتی برای آموزش مدل­های هوش مصنوعی و مابقی 30% نیز جهت آزمون آنها به کار گرفته شدند.در ادامه، تعداد بهینه نرون­های لایه مخفی به همراه بهترین تابع فعال­سازی مدل ORELM با اجرای یک پروسه سعی و خطا انتخاب شدند. در این مطالعه، پارامتر منظم­سازی (regularization parameter) مدل ORELM نیز بهینه­سازی گردید. همچنین، با استفاده از تابع خودهمبستگی (ACF) تاخیرهای موثر داده­های سری زمانی شناسایی شدند و با استفاده از این تاخیرها، چهارده مدل ORELM توسعه داده شدند.
 
یافته ها: بررسی توابع فعال­سازی مختلف نشان داد که tribas بهترین تابع فعال­سازی جهت شبیه­سازی بارش­های شهر ایلام توسط این ماشین یادگیری ترکیبی بود. مدل ORELM 9 به عنوان مدل برتر معرفی شد و مقادیر VAF، R و NSC برای آن به ترتیب برابر با 157/93، 965/0 و 925/0 بودند. همچنین، تاخیرهای شماره (t-1)، (t-2)، (t-3) و (t-10) به عنوان مؤثرترین تاخیرهای داده­های سری زمانی بارش شهر ایلام شناسایی شدند. در انتها نتایج مدل ترکیبی ORELM با مدل­های هوش مصنوعی ELM و ORELM مقایسه گردید که مقایسه مذکور نشان دهنده عملکرد بهتر مدل ترکیبی ORELM بود.
 
نتیجه گیری: با تجزیه وتحلیل نتایج مدل­های ده­گانه ORELM، بهترین مدل به همراه مؤثرترین تاخیرهای داده­های سری زمانی معرفی گردید. در انتها نتایج مدل ترکیبی ORELM با سایر ماشین­های یادگیری نیز مقایسه شد که این مقایسه حاکی از عملکرد بهتر مدل ORELM بود.