مقایسه ی مدل های درخت تصمیم M۵ و الگوریتم نزدیک ترین همسایگی K در پیش بینی بارش ماهانه (مطالعه موردی:ایستگاه سینوپتیک بیرجند)
- سال انتشار: 1398
- محل انتشار: نشریه آبیاری و زهکشی ایران، دوره: 13، شماره: 5
- کد COI اختصاصی: JR_IDJ-13-5_008
- زبان مقاله: فارسی
- تعداد مشاهده: 333
نویسندگان
۱ گروه مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند ایران
چکیده
باتوجه به واقع شدن ایران در اقلیم خشک و نیمه خشک، توزیع ناهمگن بارندگی و همچنین وقوع پدیده ی تغییراقلیم سبب ایجاد پدیده هایی مانند سیل، خشکسالی، بیان زایی و تولید ریزگردها و نیز ایجاد خسارت های مختلف اقتصادی، اجتماعی و زیست محیطی گردیده است. یکی از راهکارهای اولیه جهت کاهش این خسارات، پیش بینی رخداد بارندگی است. هدف از مطالعه ی حاضر پیش بینی بارش ماهانه با بکارگیری روش های داده کاوی الگوریتم های درخت تصمیم (M۵) و نزدیک ترین همسایگی K (KNN) و مقایسه ی این دو روش در راستای تعیین روش کاراتر در زمینه ی پیش بینی بارندگی با استفاده از داده های هواشناسی ماهانه ی ایستگاه سینوپتیک بیرجند طی دوره ی آماری ۲۰۱۰-۱۹۶۱ میلادی در سه حالت داده خام، میانگین متحرک سه ساله و میانگین متحرک پنج ساله در نرم افزار Weka می باشد. نتایج نشان داد که در تمامی سناریوهای تعریف شده، مدل درختی M۵ نسبت به مدل KNN توانایی بیشتری در پیش بینی بارش ماهانه ی این ایستگاه دارد. همچنین پس از بررسی معیارهای ارزیابی R،RMSE ، MAE و NS، سناریو پانزدهم با پارامترهای ورودی اختلاف میانگین حداکثر و حداقل دما، متوسط رطوبت نسبی، میانگین سرعت باد و درجه روز سرمایش (بر پایه ۲۱ درجه سانتی گراد) در هر ماه به عنوان بهترین سناریو برای پیش بینی بارش همان ماه تعیین گردید. همچنین نتایج به دست آمده از مقایسه ی سناریوهای تعریف شده در هر مدل در سه حالت داده های خام، میانگین متحرک سه ساله و میانگین متحرک پنج ساله نشان می دهد که در اکثر سناریوها میانگین متحرک پنج ساله به طور میانگین با مقادیر ۹۰۴۴۵/۰R=، ۰۵۴۳/۶RMSE= و ۷۸۰۳۵/۴MAE= در مدل M۵ و به طور میانگین با مقادیر ۸۳۶۸۹/۰R=، ۶۹۸۲۵/۷RMSE= و ۵۹۵/۵MAE= در مدل KNN پیش بینی دقیق تری از بارش ماهانه را ارائه می دهد.کلیدواژه ها
چگالی ظاهری خاک, رطوبت سنج TDR, ستون خاک, HYDRUS-۱Dاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.