نوع مقاله: مقاله پژوهشی

نویسندگان

1 عضو هیات علمی

2 دانشجوی دکتری

3 دانشجوی کارشناسی ارشد

چکیده

     برای مطالعة خشکسالی روش‌های مختلفی وجود دارد. روش تحلیل داده‌های بارندگی، جزو عمومی روش های تحلیل خشکسالی به شمار می رود؛ لذا پیش‌بینی دقیق و پیش از وقوع بارش می تواند شرایط را برای ارزیابی وضعیت خشکسالی فراهم نماید. هدف این پژوهش، بررسی تأثیر پیش‌پردازشِ داده‌های بارش ماهانة ایستگاه سینوپتیک سنندج بر عملکرد مدل درخت تصمیم در پیش‌بینی خشکسالی در ایستگاه سینوپتیک سنندج می‌باشد. در این پژوهش از الگوریتم CART به عنوان یکی از انواع درختان تصمیم رگرسیونی جهت پیش‌بینی بارش 12 ماه بعد استفاده شده و جهت ارزیابی درخت­های ایجاد شده از معیارهای آماری مختلف استفاده شده‌است. داده­های مورد استفاده در این پژوهش مربوط به آمار ماهانة بارندگی، رطوبت نسبی، دمای حداکثر، دمای متوسط، جهت باد و سرعت باد در دورة آماری (1389- 1349) است. نتایج حاصل از پژوهش نشان می‌دهد که در ایستگاه سینوپتیک سنندج درخت تصمیم‌گیری رگرسیونی، مدلی نسبتاً کارا درپیش‌بینی خشکسالی می­باشد؛ به‌ طوری‌ که درشبیه‌ سازی ­های صورت گرفته، زمانی که از میانگین متحرّک پنج سالة داده­ ها برای اجرای مدل استفاده گردید، ترکیب بارش قبلی و دمای حداکثر به عنوان مناسب­ترین حالت با مقدار خطای 06/0 شناسایی شده و  اعمال میانگین متحرک روی داده‌های اصلی در بهبود کارایی مدل مؤثر است. در این شرایط، روش درخت تصمیم رگرسیونی ایستگاه سنندج با ضریب اطمینان بالایی میزان بارش را 12 ماه پیش از وقوع بر آورد نمایند.

کلیدواژه‌ها

عنوان مقاله [English]

Evaluate the performance Regression Decision Tree Model in Predicting Drought (Case Study: Synoptic Station in Sanandaj)

نویسندگان [English]

  • golamali mozaffari 1
  • Shahab Shafie 2
  • Zahra Tagizadeh 3

چکیده [English]

There are several ways to study drought. Method of analysis rainfall data, Public Sector analysis methods is drought. Therefore, accurate prediction and before the outbreak precipitation could provide the conditions for assessing the drought situation. The purpose of this study is investigating the effect of data preprocessing on the performance of the decision tree model to predict drought in synoptic station in Sanandaj.  In this study, CART algorithms (Classification and regression tree) has been used as variety of decision tree regression in order to predict precipitation forecast of12months. The data used in this study are the monthly precipitation, relative humidity, the maximum temperature, the average temperature, wind direction and wind speed  in a specific statistical period(1970 - 2010). To assess the created trees in this study, different statistical measures have been used which in the end results show that in synoptic station in Sanandaj, decision tree regression model is a relatively efficient model to predict drought in which using a moving averages compared to other states led to Increasing the efficiency of decision tree mode land providing thread just mint in the range of changes, the input data with a high reliability is able to estimate the amount ofprecipitation12months before it occurs which in the simulation carried outing this study, when the five-year moving average of the data has been used to implement the model ,combination of previous rainfall, maximum temperature has been identified as the most appropriate states. The findings shows that applying moving average to the original data, dramatically improves the performance of the model. In these circumstances, the decision tree method regression in Sanandaj station with high reliability level estimate the occurrence of precipitation in 12 months ago.

کلیدواژه‌ها [English]

  • Decision tree
  • forecast train fall
  • CART algorithm
  • Sanandaj

افخمی، حمیده، محمدتقی دستورانی، حسین ملکی نژاد، محمدحسین مبین (1389). بررسی کارایی شبکة عصبی مصنوعی و پارامترهای اقلیمی در پیش‌بینی خشکسالی در منطقة یزد، علوم آب و خاک - علوم و فنون کشاورزی و منابع طبیعی، دوره (14)، شماره 51، صص: 157-169.

- پیری، حلیمه، عباس‌زاده، محبوبه، راهداری، وحید، ملکی، سعیده (1392). ارزیابی تطبیقی 4 نمایه خشکسالی هواشناسی با استفاده از روش تحلیل خوشه‌ای مطالعه موردی استان سیستان و بلوچستان، مهندسی منابع آب، سال6، شماره 17، صص: 25-36.

- حسن زاده، یوسف، عبدی کردانی، امین، فاخری فرد، احمد (1391). پیش‌بینی خشکسالی با استفاده از الگوریتم ژنتیک و مدل ترکیبی شبکه عصبی – موجکی، فصلنامه آب و فاضلاب، دوره 23، شماره 3، صص: 48-59.

- دستورانی، محمد تقی، حبیبی پور، اعظم، اختصاصی، محمد رضا، طالبی، علی، محجوبی، جواد (1391). بررسی کارایی مدل درخت تصمیم در پیش بینی بارش (مطالعة موردی ایستگاه سینوپتیک یزد)، فصلنامة تحقیقات منابع آب ایران، سال هشتم، دوره 8، شماره 3، صص: 14-23.

- رضیئی، طیب، دانش‌کار آراسته، پیمان، اختری، روح‌انگیز، ثقفیان، بهرام (1386). بررسی خشکسالی هواشناسی در استان سیستان و بلوچستان با استفاده از نمایه SPI  و مدل زنجیره مارکف، مجله تحقیقات منابع آب ایران، دوره3، شماره 1، صص: 25- 35.

- شایق، محمد علی (1390). ارزیابی پروژه­های باروری ابرها با استفاده از مدل درختان تصمیم‌گیری رگرسیونی (مطالعه موردی: ایران مرکزی -استان فارس)، پایان‌نامه کارشناسی ارشد مهندسی عمران آب، دانشگاه صنعت آب و برق، تهران.

- طالبی، علی، اکبری، زینب (1392). بررسی کارایی مدل درختان تصمیم‌گیری در برآورد رسوبات معلق رودخانه­ای (مطالعه موردی: حوضه سد ایلام)، علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک، سال 17، شماره 63، صص: 109- 121.

- فرج‌زاده اصل، منوچهر (1384). خشکسالی، از مفهوم تا راهکار ، انتشارات سازمان جغرافیایی نیروهای مسلح.

- کانتاردزیک، م (1385). داده‌کاوی، ترجمه: امین علیخان زاده، نشر علوم رایانه، بابل، چاپ اول.

- کردوانی، پرویز (1380). خشکسالی و راهکارهای مقابله با آن در ایران، انتشارات دانشگاه تهران، چاپ دوم.

- کشاورز، محمدرضا، وظیفه‌دوست، مجید، فتاحی، ابراهیم، بهیار، محمدباقر (1391). الگوی توزیعی جهت و شدت روند تغییرات خشکسالی ایران به کمک نمایه توزیعی شدت خشکسالی پالمر، نشریه تحقیقات کاربردی علوم جغرافیایی، سال12، شماره 27، صص: 97- 110.

- محجوبی، جواد، اردلان صمغی، حسین (1388). پیش‌بینی پارامترهای امواج ناشی از باد در دریای خزر با استفاده از روش درختان تصمیم رگرسیونی و شبکه­های عصبی مصنوعی، نشریه مهندسی دریا، سال پنجم، شماره 9، صص: 65- 71.

- مشکانی، علی، ناظمی، عبدالرضا (1388). مقدمه‌ای بر داده‌کاوی، مشهد موسسه چاپ و انتشارات دانشگاه فردوسی، چاپ اول.

- Bhattacharya, B., R.K. Price and D. P. Solomatine. (2007), Machine learning approach to modeling sediment transport. J. Hydraul. Eng. 133(4), Pp 440-450.

-  B reiman, L., Friedman J., Olshen R., and Stone. C, (1984),Classification and Regression Trees, Chapman & Hall/CRC Press, Boca Raton, FL. Development of a decision tree modeling approach .Geoderma 139, Pp.277-287  .

- Santos, C. A. G., Morais, B. S., & Silva, G. B. (2009), Drought forecast using an artificial neural network for three hydrological zones in San Francisco River basin, Brazil. IAHS publication, 333, 302.

-  Mahesh P. and Mather P. M., (2003), anassessment of the effectiveness of decision tree methods for land cover classification. Remote Sensing of Environment, 86, Pp. 554–565.

-  Geissen, V., Kampichler, C., López-de Llergo-Juárez, J. J., & Galindo-Acántara, A. (2007), Superficial and subterranean soil erosion in Tabasco, tropical Mexico: development of a decision tree modeling approach. Geoderma, 139(3), Pp.277-287.

-  Kocev,D., Saso D., White M. D., Newell G. R. and Griffioen P, (2009), Using single-and multi-target regression trees and ensembles to model a compound index of vegetation condition. Ecological Modeling 220, Pp. 1159 –1168.

-  Rusjan, S. and M. Micos. (2008), Assessment of hydrolpgical and seasonal controls over the nitrate flushing from a forested watershed using a data mining technique. Hydrol.Earth Sys. Sci. 12: 645-656.

-  Yurekli, K., Taghi Sattari, M.T., Anli, A.S. and Hinis, M.A. (2012), Seasonal and annual regional drought Prediction by using data-mining approach, Atmosfera, 25(1) Pp. 85-105.

-  Wilhite, D.A. ed., (2012), Drought Assessment, Management, and Planning: Theory and Case Studies: Theory and Case Studies (Vol. 2). Springer Science & Business Media.