مقایسه تطبیقی مدل های داده کاوی در ریزمقیاس نمایی بارش و دما (مطالعه موردی : حوضه آبخیز بازفت صمصامی)

قاسمیه, هدی; دهقانی, نوید; ساداتی نژاد, سیدجواد; قربانی, خلیل; دهقانی, امیراحمد

doi:10.22069/jwsc.2017.12192.2669

دانشگاه علوم کشاورزی و منابع طبیعی گرگان

تعداد نشریات	13
تعداد شماره‌ها	646
تعداد مقالات	6,748
تعداد مشاهده مقاله	9,369,832
تعداد دریافت فایل اصل مقاله	8,739,921

	مقایسه تطبیقی مدل های داده کاوی در ریزمقیاس نمایی بارش و دما (مطالعه موردی : حوضه آبخیز بازفت صمصامی)
مجله پژوهش‌های حفاظت آب و خاک
مقاله 13، دوره 24، شماره 5، آذر 1396، صفحه 227-240 اصل مقاله (790.61 K)
نوع مقاله: مقاله کامل علمی پژوهشی
شناسه دیجیتال (DOI): 10.22069/jwsc.2017.12192.2669
نویسندگان
هدی قاسمیه^* ¹؛ نوید دهقانی¹؛ سیدجواد ساداتی نژاد²؛ خلیل قربانی³؛ امیراحمد دهقانی⁴
¹دانشگاه کاشان
²دانشگاه تهران
³دانشگاه علوم کشاورزی و منابع طبیعی گرگان
⁴دانشگاه کشاورزی و منابع طبیعی گرگان
چکیده
سابقه و هدف : دما و بارش به عنوان دو متغیر مهم هواشناسی، خصوصاً در مناطق خشک و نیمه خشک مطرح هستند. در نتیجه، تعیین مقدار این متغیرها، تغییرات آن ها و پیش بینی این پدیده ها به منظور برنامه ریزی دقیق تر در مدیریت بخش های کشاورزی، اقتصادی و اجتماعی، ضروری می باشد. امروزه عدم تطابق مقیاس مکانی و زمانی مورد نیاز در مدل های بررسی کننده تأثیر تغییر اقلیم با خروجی مدل های GCM و نیاز به بررسی روند تغییر در متغیرهای حدی هواشناسی در مقیاس منطقه ای، باعث شده است تا روش های ریز مقیاس نمایی مختلفی توسعه یابند. از این رو هدف از این تحقیق، مقایسه تطبیقی مدل های داده کاوی در ریزمقیاس نمایی بارش و دما براساس داده های مدل گردش عمومی NCEP است. مواد و روش ها: منطقه مورد مطالعه در این تحقیق، حوضه آبخیز بازفت صمصامی است. این حوضه، یکی از زیرحوضه‌های کارون شمالی است که در شمال غربی استان چهارمحال و بختیاری واقع شده است. ایستگاه های باران سنجی و هیدرومتری مرغک در خروجی آن واقع شده است. در این پژوهش، کارایی چهار روش درخت تصمیم (M5)، نزدیک‌ترین همسایه (KNN)، روش پرسپترون چندلایه (MLP) و رگرسیون خطی ساده (SLR) برای مدل‌سازی بارش و دمای ماهانه ایستگاه مرغک در دوره آموزش 1990-1971 و دوره آزمون 1991-2000 با استفاده از پارامترهای خروجی NCEP مورد ارزیابی قرار گرفت. یافته ها: نتایج مدل سازی بارش ماهانه با استفاده از مدل های مذکور نشان داد که خروجی همه مدل ها به جز مدلKNN ، مقادیر منفی را برای بارش ارائه می کنند. پیش‌بینی بارش توسط مدل درخت تصمیم در ماه‌های میلادی ژانویه، مارس، آوریل و دسامبر، دارای میانگین کمتری نسبت به مقادیر مشاهده شده (P) است. این وضعیت در سایر مدل ها نیز تا حدودی مشاهده می شود. همچنین با توجه به این که حد پایین بارش صفر است، از کم بودن مقادیر پیش‌بینی شده نسبت به مقادیر مشاهده شده می‌توان نتیجه گرفت که مقادیر حدی بیشینه بارش با این مدل‌ها به خوبی پیش‌بینی نشده است. پیش بینی بارش توسط همه مدل ها در همه ماه ها به جز ماه مه، دارای انحراف معیار کمتری نسبت به مقادیر مشاهده شده (P) است. نتایج پیش بینی دمای ماهانه نیز نشان داد که تنها خروجیMLP ، مقادیر منفی را برای دمای ماهانه ارائه می کند که این می تواند به دلیل خاصیت برون یابی و تعمیم در روش پرسپترون چند لایه باشد. همچنین انحراف معیار به دست آمده از تمامی مدل ها در ماه های ژانویه، فوریه، مارس، آوریل، ژوئیه، اوت، اکتبر، نوامبر و دسامبر بیشتر از انحراف معیار دمای مشاهده شده است. نتایج تحلیل های آماری نیز نشان داد که مدل درخت تصمیم در مرحله آزمون با توجه به معیارهای ریشه میانگین مربعات خطا، میانگین خطای اریب و ضریب همبستگی نسبت به مدل های دیگر، برآورد بهتری برای بارش و دمای ماهانه داشته است. اگرچه نتایج ضریب تعیین این مدل در مرحله آزمون برای برآورد دمای ماهانه، ضعیف تر از بارش ماهانه می باشد. نتیجه گیری: نتایج بررسی کارایی چهار مدل KNN، M5، SLR و MLP در مدل‌سازی بارش و دمای ماهانه ایستگاه هواشناسی مرغک با داده‌های خروجی مدل NCEP، حاکی از ضعف این مدل‌ها در ریزمقیاس نمایی بارش و دمای ماهانه بود. بنابراین با وجود برتری نسبی مدل درخت تصمیم M5 نسبت به سایر مدل ها، استفاده از مدل های داده کاوی مذکور برای پیش بینی بارش و دما در ایستگاه مرغک توصیه نمی شود.
کلیدواژه‌ها
ریزمقیاس نمایی؛ درخت تصمیم (M5)؛ نزدیک ترین همسایه (KNN)؛ روش پرسپترون چند لایه (MLP)؛ رگرسیون خطی ساده (SLR)

مراجع
1.Aksornsingchai, P., and Srinilta, CH. 2011. Statistical downscaling for rainfall and temperature prediction in Thailand. Proceeding of the international multi conference of engineers and computer scientists, 6p. 2.Chen, H., Yu Xu, C., and Guo, S. 2012. Comparison and evaluation of multiple GCMs, statistical downscaling and hydrological models in the study of climate change impacts on runoff. J. Hydrol. 434-435: 36-45. 3.Dawson, C.W., and Wilby, R. 1988. An artificial neural network approach torainfall–runoff modeling. J. Hydrol. 43: 47-66. 4.Deepashree, R., and Mujumdar, P. 2011. A comparison of three methods for downscaling daily precipitation in the Punjab region. Hydrological Processes. 25: 23. 3575-3589. 5.Dibike, B.Y., and Coulibaly, P. 2006. Temporal neural networks for downscaling climate variability and extremes. J. Neur. Net. 19: 135-144. 6.Ghamghami, M. 2010. Evaluation and comparison of parametric models and nonparametric analysis of meteorological data. M.Sc. Thesis, Tehran University, 128p. (In Persian) 7.Ghorbani, Kh. 2015. Evaluation data mining models in Downscaling of precipitation based on NCEP general circulation model output (Case study: Kermanshah synoptic station). Iran Water Res. J. (IWRJ). 15: 15. 177-186. (In Persian) 8.Hamlet, A.F., and Lettenmaier, D.P. 2007. Effects of 20th century warming and climate variability on flood risk in the western U.S. Water Resources Research. 43: W06427, doi.1029/2006WR005099. 9.IPCC. 2007. Summary for Policymakers. P 1-18, In: S. Solomon, D. Qin, M. Manning, Z. Chen, M. Marquis, K.B. Averyt, M. Tignor and H.L. Miller (Eds.), Climate Change 2007: The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change, Cambridge University Press, Cambridge. 10.Khan, M.S., Coulibaly, P., and Dibike, Y. 2006. Uncertainty analysis of statistical downscaling methods. J. Hydrol. 319: 4. 357-382. 11.Kutner, M., Nachtcheim, Ch., and Neter, J. 2005. Applied Linear Statistical Models. McGraw-Hill Irvin Press, 1396p. 12.Meshkavati, A.M., kordjazi, M., and Babaeian, I. 2011. Evaluation of Lars models to simulate meteorological data Golestan Province in the period (1993-2007). J. Appl. Res. Geograph. Sci. 19: 81-96. (In Persian) 13.Mitchell, T.D. 2003. Pattern Scaling: An Examination of Accuracy of the Technique for Describing Future Climates. Climatic Change. 60: 217-242. 14.Quinlan, J.R. 1992. Learning with continuous classes. Proceedings of Fifth Australian joint conference on artificial intelligence, Singapore, Pp: 343-348. 15.Semenov, M.A., and Barrow, E.M. 2002. LARS-WG a stochastic weather generator for use in climate impact studies. User’s manual, Version 3.0. 16.Seyyed Kaboli, H., Akhondali, A.M., Masah Bavani, A.R., and Radmanesh, F. 2012. A Downscaling Model Based on K-nearest neighbor (K-NN) Non-parametric Method. J. Water Soil. 26: 4. 779-808. (In Persian) 17.Tripathi, S., Srinivas, V., and Nanjundiah, R.S. 2006. Downscaling of precipitation for climate change scenarios: A support vector machine approach. J. Hydrol. Pp: 621-640. 18.Two Crows Corporation. 1999. Introduction to datamining and knowledge discovery, third edition Available at: www.twocrows.com. 36p. 19.Zahoor, J., Abrar, M., Bashir, Sh., and Mirza, A. 2009. Seasonal to inter-annual climate prediction using data mining KNN technique. Wireless Networks, Information Processing and Systems, Communications in Computer and Information Science. 20: 40-51. 20.Witten, I.H., and Frank, E. 2005. Data mining practical machine learning tools and techniques with Java implementations. Morgan Kaufmann San Francisco, 664p.
آمار تعداد مشاهده مقاله: 1,106 تعداد دریافت فایل اصل مقاله: 1,211

سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب

پیوندهای مفید

آمار

مقایسه تطبیقی مدل های داده کاوی در ریزمقیاس نمایی بارش و دما (مطالعه موردی : حوضه آبخیز بازفت صمصامی)