مقايسه ي مدل هاي درخت تصميم M5 و الگوريتم نزديك ترين همسايگي K در پيش بيني بارش ماهانه (مطالعه موردي: ايستگاه سينوپتيك بيرجند)

باتوجه به واقع شدن ايران در اقليم خشك و نيمه خشك، توزيع ناهمگن بارندگي و همچنين وقوع پديده ي تغييراقليم سبب ايجاد پديده هايي مانند سيل، خشكسالي، بيان زايي و توليد ريزگردها و نيز ايجاد خسارت هاي مختلف اقتصادي، اجتماعي و زيست محيطي گرديده است. يكي از راهكارهاي اوليه جهت كاهش اين خسارات، پيش بيني رخداد بارندگي است. هدف از مطالعه ي حاضر پيش بيني بارش ماهانه با بكارگيري روش هاي داده كاوي الگوريتم هاي درخت تصميم (M5) و نزديك ترين همسايگي K (KNN) و مقايسه ي اين دو روش در راستاي تعيين روش كاراتر در زمينه ي پيش بيني بارندگي با استفاده از داده هاي هواشناسي ماهانه ي ايستگاه سينوپتيك بيرجند طي دوره ي آماري 2010-1961 ميلادي در سه حالت داده خام، ميانگين متحرك سه ساله و ميانگين متحرك پنج ساله در نرم افزار Weka مي باشد. نتايج نشان داد كه در تمامي سناريوهاي تعريف شده، مدل درختي M5 نسبت به مدل KNN توانايي بيشتري در پيش بيني بارش ماهانه ي اين ايستگاه دارد. همچنين پس از بررسي معيارهاي ارزيابي R، RMSE، MAE و NS، سناريو پانزدهم با پارامترهاي ورودي اختلاف ميانگين حداكثر و حداقل دما، متوسط رطوبت نسبي، ميانگين سرعت باد و درجه روز سرمايش (بر پايه 21 درجه سانتي گراد) در هر ماه به عنوان بهترين سناريو براي پيش بيني بارش همان ماه تعيين گرديد. همچنين نتايج به دست آمده از مقايسه ي سناريوهاي تعريف شده در هر مدل در سه حالت داده هاي خام، ميانگين متحرك سه ساله و ميانگين متحرك پنج ساله نشان مي دهد كه در اكثر سناريوها ميانگين متحرك پنج ساله به طور ميانگين با مقادير 90445/0R=، 0543/6RMSE= و 78035/4MAE= در مدل M5 و به طور ميانگين با مقادير 83689/0R=، 69825/7RMSE= و 595/5MAE= در مدل KNN پيش بيني دقيق تري از بارش ماهانه را ارائه مي دهد.