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.

Modeling, Learning algorithm, Prediction, Sardasht, Tree model, الگوریتم یادگیری, پیش بینی, سردشت, مدل سازی, مدل درختی