CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)

مقایسه ی مدل های درخت تصمیم M۵ و الگوریتم نزدیک ترین همسایگی K در پیش بینی بارش ماهانه (مطالعه موردی:ایستگاه سینوپتیک بیرجند)

عنوان مقاله: مقایسه ی مدل های درخت تصمیم M۵ و الگوریتم نزدیک ترین همسایگی K در پیش بینی بارش ماهانه (مطالعه موردی:ایستگاه سینوپتیک بیرجند)
شناسه ملی مقاله: JR_IDJ-13-5_008
منتشر شده در در سال 1398
مشخصات نویسندگان مقاله:

فاطمه پورصلاحی - ۱ گروه مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند ایران
علی شهیدی
عباس خاشعی

خلاصه مقاله:
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.

کلمات کلیدی:
چگالی ظاهری خاک, رطوبت سنج TDR, ستون خاک, HYDRUS-۱D

صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1211193/