بررسي عملكرد مدل‌هاي داده‌كاوي در پيش‌بيني بارش و تحليل وضعيت خشك‌سالي ايستگاه سينوپتيك بندرعباس

استفاده از روش‌هاي مختلف داده‌كاوي در پيش‌بيني خشك‌سالي متداول است. با اين‌حال، به‌طور عمده انتخاب مدل برتر بر مبناي دقت شبيه‌سازي صورت مي‌گيرد. درحالي‌كه در اغلب مطالعات به ويژگي‌هاي ساختاري مدل‌ها كم‌تر توجه شده است. در اين مقاله كارايي مجموعه‌اي از متداول‌ترين مدل‌هاي داده‌كاوي شامل شبكه عصبي مصنوعي چندلايه پرسپترون (ANN-MLP)، شبكه عصبي با تابع پايه شعاعي (ANN-RBF)، درخت تصميم رگرسيوني (CART)، مدل درختي (M5P) و ماشين بردار پشتيبان (SVM) جهت پيش‌بيني بارش يك سال بعد ايستگاه سينوپتيك بندر‌عباس ارزيابي شده و ويژگي‌هاي هر يك از آن‌ها تشريح مي‌شود. واسنجي و صحت‌سنجي مدل‌ها با استفاده از داده‌هاي خام و ميانگين متحرك سه ساله پارامترهاي اقليمي در بازه آماري 1347 تا 1396 انجام شد. عملكرد مدل‌ها با استفاده از پارامترهاي آماري مختلف و نمودارهاي مقايسه‌اي ارزيابي شد. نتايج نشان داد مدل‌هاي SVM و M5P به‌ترتيب با مقادير RMSE برابر 7.93 و 8.31 ميلي‌متر، MAE برابر 3.66 و 4.69 ميلي‌متر و ضريب همبستگي 0.83 و 0.82 كارايي مطلوبي در پيش‌بيني بارش دارند. هم‌چنين، به‌استثناي مدل CART، تغيير در ابزار داده‌كاوي تفاوت هشت تا 11 درصدي در دقت تخمين‌ها ايجاد مي‌كند؛ بنابراين انتخاب مدل مناسب‌تر بايد بر مبناي ساير ويژگي‌هاي روش‌ها در كنار ميزان دقت آن‌ها صورت پذيرد. به‌علاوه، بهره‌گيري از ميانگين متحرك سه ساله به‌طور متوسط ضريب همبستگي را حدود 78 درصد افزايش و RMSE را حدود 63 درصد كاهش داده است. تحليل وضعيت درازمدت خشك‌سالي نشان داد با افزايش طول دوره شاخص بارش استاندارد، ميزان تفكيك سال‌هاي مرطوب و خشك مشخص‌تر مي‌شود.