پديد آورندگان :
دهقاني، نويد دانشگاه كاشان - گروه مرتع و آبخيزداري , ساداتي نژاد، جواد دانشگاه تهران - گروه انرژي هاي نو و محيط زيست , قاسميه، هدي دانشگاه كاشان - گروه مرتع و آبخيزداري , قرباني، خليل دانشگاه تهران - گروه انرژي هاي نو و محيط زيست , بسالت پور، علي اصغر دانشگاه علوم كشاورزي و منابع طبيعي گرگان - گروه مهندسي آب
كليدواژه :
نزديك ترين همسايه (KNN) , درخت تصميم (M5) , ريزمقياس نمايي , روش پرسپترون چند لايه (MLP) , رگرسيون خطي ساده (SLR)
چكيده فارسي :
سابقه و هدف : دما و بارش به عنوان دو متغير مهم هواشناسي، خصوصاً در مناطق خشك و نيمه خشك مطرح هستند. در نتيجه، تعيين مقدار اين متغيرها، تغييرات آن ها و پيش بيني اين پديده ها به منظور برنامه ريزي دقيق تر در مديريت بخش هاي كشاورزي، اقتصادي و اجتماعي، ضروري مي باشد. امروزه عدم تطابق مقياس مكاني و زماني مورد نياز در مدل هاي بررسي كننده تأثير تغيير اقليم با خروجي مدل هاي GCM و نياز به بررسي روند تغيير در متغيرهاي حدي هواشناسي در مقياس منطقه اي، باعث شده است تا روش هاي ريز مقياس نمايي مختلفي توسعه يابند. از اين رو هدف از اين تحقيق، مقايسه تطبيقي مدل هاي داده كاوي در ريزمقياس نمايي بارش و دما براساس داده هاي مدل گردش عمومي NCEP است.
مواد و روش ها: منطقه مورد مطالعه در اين تحقيق، حوضه آبخيز بازفت صمصامي است. اين حوضه، يكي از زيرحوضه‌هاي كارون شمالي است كه در شمال غربي استان چهارمحال و بختياري واقع شده است. ايستگاه هاي باران سنجي و هيدرومتري مرغك در خروجي آن واقع شده است. در اين پژوهش، كارايي چهار روش درخت تصميم (M5)، نزديك‌ترين همسايه (KNN)، روش پرسپترون چندلايه (MLP) و رگرسيون خطي ساده (SLR) براي مدل‌سازي بارش و دماي ماهانه ايستگاه مرغك در دوره آموزش 1990-1971 و دوره آزمون 1991-2000 با استفاده از پارامترهاي خروجي NCEP مورد ارزيابي قرار گرفت.
يافته ها: نتايج مدل سازي بارش ماهانه با استفاده از مدل هاي مذكور نشان داد كه خروجي همه مدل ها به جز مدلKNN ، مقادير منفي را براي بارش ارائه مي كنند. پيش‌بيني بارش توسط مدل درخت تصميم در ماه‌هاي ميلادي ژانويه، مارس، آوريل و دسامبر، داراي ميانگين كمتري نسبت به مقادير مشاهده شده (P) است. اين وضعيت در ساير مدل ها نيز تا حدودي مشاهده مي شود. همچنين با توجه به اين كه حد پايين بارش صفر است، از كم بودن مقادير پيش‌بيني شده نسبت به مقادير مشاهده شده مي‌توان نتيجه گرفت كه مقادير حدي بيشينه بارش با اين مدل‌ها به خوبي پيش‌بيني نشده است. پيش بيني بارش توسط همه مدل ها در همه ماه ها به جز ماه مه، داراي انحراف معيار كمتري نسبت به مقادير مشاهده شده (P) است.
نتايج پيش بيني دماي ماهانه نيز نشان داد كه تنها خروجيMLP ، مقادير منفي را براي دماي ماهانه ارائه مي كند كه اين مي تواند به دليل خاصيت برون يابي و تعميم در روش پرسپترون چند لايه باشد. همچنين انحراف معيار به دست آمده از تمامي مدل ها در ماه هاي ژانويه، فوريه، مارس، آوريل، ژوئيه، اوت، اكتبر، نوامبر و دسامبر بيشتر از انحراف معيار دماي مشاهده شده است. نتايج تحليل هاي آماري نيز نشان داد كه مدل درخت تصميم در مرحله آزمون با توجه به معيارهاي ريشه ميانگين مربعات خطا، ميانگين خطاي اريب و ضريب همبستگي نسبت به مدل هاي ديگر، برآورد بهتري براي بارش و دماي ماهانه داشته است. اگرچه نتايج ضريب تعيين اين مدل در مرحله آزمون براي برآورد دماي ماهانه، ضعيف تر از بارش ماهانه مي باشد.
نتيجه گيري: نتايج بررسي كارايي چهار مدل KNN، M5، SLR و MLP در مدل‌سازي بارش و دماي ماهانه ايستگاه هواشناسي مرغك با داده‌هاي خروجي مدل NCEP، حاكي از ضعف اين مدل‌ها در ريزمقياس نمايي بارش و دماي ماهانه بود. بنابراين با وجود برتري نسبي مدل درخت تصميم M5 نسبت به ساير مدل ها، استفاده از مدل هاي داده كاوي مذكور براي پيش بيني بارش و دما در ايستگاه مرغك توصيه نمي شود.
چكيده لاتين :
Background and Objectives: Temperature and rainfall are two important meteorological variables, especially in arid and semi-arid areas. As a result, determining the value of these variables, their changes and prediction of these phenomena are necessary for more precise planning in the management of agricultural, economic and social sectors. Nowadays, incompatibility of temporal and spatial scales required in investigated models on the effect of climate change with GCM outputs and the need to assess the change trend in meteorological threshold variables at the regional scale has led to develop various downscaling methods. So, the aim of this study is the comparative comparison of data mining models in downscaling of rainfall and temperature based on data of NCEP general circulation model.
Material and Methods: The study area in this research is bazoft- e- Samsami watershed. This basin is one of the northern Karun sub-basins located in the northwest of Chaharmahal and Bakhtiari province. Marghak rain gauge and hydrometric stations are located at its outlet.
In this study, the performance and efficiency of four methods including decision tree (M5), Nearest Neighbor (KNN), Multilayer Perceptron (MLP) and Simple linear regression (SLR) were evaluated for modeling monthly rainfall and temperature of Marghak station during the training period of 1971-1990 and The 1991-2000 test period using NCEP output parameters.
Results: Monthly rainfall modeling results using mentioned models showed that the output of all models except the KNN model provides negative values for rainfall. The rainfall prediction by M5 model in January, March, April and December is lower than the observed values (P). This situation is also somewhat seen in other models. Also, given that the minimum rainfall is zero, it can be concluded from the low predicted values rather than observed values that the maximum limit of rainfall with these models is not well predicted. The prediction of rainfall by all models in all months except May has a lower standard deviation than the observed values (P).
The predicted results of monthly temperature also showed that only MLP output provides negative values for the temperature, which can be due to the extrapolation and generalizationin in MLP method. Also, The standard deviation obtained from all models in January, February, March, April, July, August, October, November and December is more than standard deviation of observed temperature. The results of statistical analyzes also showed that M5 than the other models in the test stage according to RMSE, MBE and R2 have better estimates for rainfall and monthly temperature. Although the results of determination coefficient (R2) in the test stage for monthly temperature estimation are weaker than monthly rainfall.
Conclusion:
The results of the efficiency of four models of KNN, M5, SLR and MLP in monthly rainfall and temperature modeling in Marghak meteorological station with NCEP output data showed that these models were weak in downscaling the monthly rainfall and temperature. Therefore, despite the relative superiority of M5 model compared to other models, the use of these data mining models is not recommended to predict rainfall and temperature variables in Margak station.
Keywords: Downscaling, Decision tree (M5), Nearest Neighbor (KNN), Multilayer Perceptron (MLP), Simple linear regression.
