پیش بینی بارش روزانه ایستگاه سردشت با استفاده از الگوریتم های تنبل و مدل های درختی
عنوان مقاله: پیش بینی بارش روزانه ایستگاه سردشت با استفاده از الگوریتم های تنبل و مدل های درختی
شناسه ملی مقاله: JR_JIRCSA-10-3_001
منتشر شده در در سال 1401
شناسه ملی مقاله: JR_JIRCSA-10-3_001
منتشر شده در در سال 1401
مشخصات نویسندگان مقاله:
میلاد شرفی - Urmia University
جواد بهمنش - Urmia University
خلاصه مقاله:
میلاد شرفی - Urmia University
جواد بهمنش - Urmia University
با توجه به توزیع ناهمگون بارش، پیش بینی وقوع آن یکی از راه کارهای اولیه و اساسی برای پیش گیری از بلایای احتمالی و خسارات ناشی از آن است. با توجه به بالا بودن میزان بارندگی در شهرستان سردشت، روی آوردن مردم این شهرستان به کشاورزی در سال های اخیر و عدم استفاده از مدلهای طبقه بندی در ایستگاه مورد مطالعه، پیش بینی هرچه دقیق تر پارامتر بارش روزانه امری ضروری است. از طرفی دیگر، با این که عملکرد مطلوب الگوریتم های تنبل و مدل های درختی باعث افزایش استفاده از آن ها برای پیش بینی پدیده های مختلف هیدرولوژیکی شده اما این الگوریتم ها در شهرستان سردشت مورد استفاده قرار نگرفته اند. لذا در این پژوهش، چهار مدل Kstar، M۵P، الگوریتم یادگیری با وزن دهی محلی و جنگل تصادفی برای پیشبینی بارش روزانه ایستگاه سردشت به کار گرفته شده است. در این مطالعه از هفت پارامتر ورودی میانگین دما، حداکثر دما، رطوبت نسبی متوسط، حداکثر رطوبت نسبی، سرعت باد متوسط، حداکثر سرعت باد و ساعات آفتابی که همزمان با بارش روزانه بودند، برای مدلها استفاده شد. مقایسه و ارزیابی بین پارامترهای ورودی نشان داد که پارامتر ساعات آفتابی ازجمله مهم ترین پارامترهای ورودی بوده که نقش قابل توجهی در دقت پیش بینی مدل های مورد استفاده داشته است. نتایج به دست آمده نشان داد که مدل درختی M۵P در سناریوی هفتم بهترین عملکرد را با بیش ترین ضریب همبستگی (۷۳۴/۰ میلیمتر بر روز) نسبت به دیگر مدل ها داشته است. هم چنین، سناریوی هفتم عملکرد بالایی نسبت به بقیه سناریوها از خود نشان داد. لذا می توان گفت که افزایش ورودی مدل ها تا حدودی رابطه مستقیمی با دقت آنها دارد. به طورکلی می توان گفت که مدل درختی M۵P برای مدلسازی و پیش بینی بارش روزانه شهرستان سردشت مناسب بوده و برای استفاده های بعدی پیشنهاد می شود.
کلمات کلیدی: Modeling, Learning algorithm, Prediction, Sardasht, Tree model, الگوریتم یادگیری, پیش بینی, سردشت, مدل سازی, مدل درختی
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1602229/