بررسی تاثیر تعدیل دامنه تغییرات داده ها بر کارایی مدل شبکه عصبی مصنوعی و درخت تصمیم رگرسیونی در پیش بینی خشکسالی

Normal ۰ false false false EN-US X-NONE AR-SA /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Table Normal" mso-tstyle-rowband-size:۰ mso-tstyle-colband-size:۰ mso-style-noshow:yes mso-style-priority:۹۹ mso-style-qformat:yes mso-style-parent:"" mso-padding-alt:۰cm ۵.۴pt ۰cm ۵.۴pt mso-para-margin:۰cm mso-para-margin-bottom:.۰۰۰۱pt mso-pagination:widow-orphan font-size:۱۱.۰pt font-family:"Calibri","sans-serif" mso-ascii-font-family:Calibri mso-ascii-theme-font:minor-latin mso-fareast-font-family:"Times New Roman" mso-fareast-theme-font:minor-fareast mso-hansi-font-family:Calibri mso-hansi-theme-font:minor-latin mso-bidi-font-family:Arial mso-bidi-theme-font:minor-bidi} خشکسالی یکی از اثرات تغییر سامانه اقلیمی است. پیش بینی خشکسالی نقش مهمی در اعمال روش های موثر مدیریت منابع آب ایفا می کند. روش های مختلفی برای مطالعه خشکسالی وجود دارد. روش تحلیل داده های بارندگی، جزء عمومی روش های تحلیل خشکسالی به شمار می رود. لذا پیش بینی دقیق و پیش از وقوع بارش می تواند شرایط را برای ارزیابی وضعیت خشکسالی فراهم نماید. هدف از این پژوهش، بررسی تاثیر پیش پردازش داده ها بر عملکرد دو مدل داده کاوی در پیش بینی خشکسالی در ایستگاه سینوپتیک یزد می باشد. در این رابطه از دو روش شبکه عصبی مصنوعی و درخت تصمیم رگرسیونی که از انواع روش های داده کاوی محسوب می شود استفاده شد و شبیه سازی ها در دو حالت کلی صورت گرفت. در حالت اول، از مقادیر اصلی برخی پارامترهای اقلیمی استفاده و میزان بارش ۱۲ ماه پیش از وقوع پیش بینی گردید. در حالت دوم میانیگن متحرک سه ساله همان داده ها به مدل معرفی و پیش بینی بر همین اساس انجام شد. در پایان برای ارزیابی دقت و درستی دو روش مورد استفاده، معیارهای آماریRMSE ، R مورد استفاده قرار گرفت. یافته ها نشان داد که اعمال میانگین لغزان روی داده های اصلی به نحو چشمگیری در بهبود کارایی هر دو مدل موثر می باشد و در این شرایط هر دو روش درخت تصمیم رگرسیونی و شبکه عصبی مصنوعی در ایستگاه یزد قادرند با ضریب اطمینان بالایی میزان بارش را ۱۲ ماه پیش از وقوع برآورد نمایند. 

کلیدواژه ها:

پیش بینی ، خشکسالی ، شبکه عصبی مصنوعی ، درخت تصمیم رگرسیونی ، داده کاوی