ارزيابي مدل‌هاي داده‌كاوي در ريزمقياس نمايي بارش براساس داده‌هاي مدل‌ گردش عمومي NCEP (مطالعه موردي: ايستگاه سينوپتيك كرمانشاه)

Evaluation data mining models in Downscaling of precipitation based on NCEP general circulation model output (Case study: Kermanshah synoptic station)

طي سال‌هاي اخير روش‌هاي زيادي براي ريزمقياس‌نمايي متغيرهاي هواشناسي از داده‌هاي بزرگ مقياس مدل‌هاي گردش‌هاي عمومي جو ارايه شده است. در اين پژوهش كارايي سه روش ماشين بردار پشتيبان (SVM)، درخت تصميم (M5) و نزديكترين k-همسايگي (KNN) از مدل‌هاي داده‌كاوي در ريزمقياس‌نمايي بارش، به كمك پارامترهاي خروجي مدل گردش عمومي جو NCEP در ايستگاه كرمانشاه بررسي شد. در دوره آماري 1991-1961 بارش روزانه ايستگاه كرمانشاه و پارامترهاي خروجي NCEP مدل‌سازي شد و نتايج آن‌ها براي دوره آماري 2001-1992 آزمايش شد. نتايج اين بررسي نشان داد كه بارش شبيه‌سازي شده با هر يك از مدل‌هاي داده‌كاوي، داراي ميانگين و انحراف معيار كمتري نسبت به داده‌هاي مشاهداتي هستند و مقادير حدي را نمي‌توانند به خوبي پيش‌بيني ‌كنند. با اين وجود روش نزديك‌ترين همسايگي نسبت به ديگر روش‌ها نتايج بهتري را ارايه كرد.

In the recent years, many downscaling techniques have been developed for projection of station-scale meteorological variables from large-scale atmospheric variables by general circulation models (GCMs). In this study, the performance of three downscaling methods, including support vector machines (SVM), decision tree (M5) and K-nearest neighbor (KNN) methods of data mining models, were compared in downscaling precipitation simulated by NCEP general circulation models in the Kermanshah station. Simulation was performed between daily precipitation of Kermanshah station and NCEP model output parameters during the period of 1961 to 1991, and its result was tested during the period 1992-2001. The results of this study showed that the mean and standard deviation of output of the data mining models are less than the observed data and these models canʹt predict extreme values well. However, the KNN method gives better results than other considered methods.