پیش بینی وقوع بارش روزانه با استفاده از داده های هواشناسی روزهای قبل (مطالعه موردی: شهر اصفهان)
محورهای موضوعی : اقلیم شناسی
قربان مهتابی
1
(استادیار گروه مهندسی آب، دانشکده کشاورزی دانشگاه زنجان، زنجان، ایران)
فرشید تاران
2
(دکتری آبیاری و زهکشی، گروه مهندسی آب، دانشکده کشاورزی دانشگاه تبریز، تبریز، ایران)
سعید مظفری
3
(دانشجوی کارشناسی ارشد منابع آب و عضو بنیاد ملی نخبگان، گروه مهندسی آب، پردیس ابوریحان، دانشگاه تهران، تهران، ایران)
کلید واژه: شبکه عصبی, درخت تصمیم, بارش روزانه, بردار پشتیبان, -نزدیک ترین همسایگی,
چکیده مقاله :
هدف از این تحقیق، پیش بینی وقوع بارش روزانه شهر اصفهان با استفاده از داده های هواشناسی 1 تا 7 روز قبل می باشد. برای این منظور،داده های هواشناسی دوره 2009-2000 با استفاده از مدل های هوشمند بردار پشتیبان، k-نزدیک ترین همسایگی، شبکه عصبی مصنوعی و درخت تصمیم بررسیگردید. نتایج نشان داد که در هر چهار روش، دقت پیش بینی بهترین سناریوها با استفاده از داده های 6 و 7 روز قبل، کمتر از 75 درصد بود، اما با استفاده از داده های روزهای 1 تا 5 روز قبل، بارش روزانه با دقت بیش از 80 درصد پیش بینی شد. عملکرد روش درخت تصمیم بهتر از سه روش دیگر بود و به علت ارائه درخت تصمیم گیری، نتایج سناریوهای 1 تا 5 روز قبل این روش ارائه شد. نتایج سناریوها با استفاده از داده های 1 تا 3 روز قبل نشان داد که رطوبت نسبی هوا مناسب ترین پارامتر برای پیش بینی وقوع بارش روزانه است، اما در شرایط استفاده از داده های 4 و 5 روز قبل، دمای هوا مناسب ترین پارامتر برای انجام پیش بینی بود. در نهایت عملکرد بهترین سناریوها با استفاده از داده های دوره 2016-2010 صحت سنجی گردید. بهترین نتایج در بخش صحت سنجی به ترتیب مربوط به سناریوی 1 روز قبل(با پارامتر حداقل رطوبت نسبی) و سناریوی 4 روز قبل(با پارامتر دمای حداکثر) بود.
هدف از این تحقیق، پیش­بینی وقوع بارش روزانه شهر اصفهان با استفاده از داده­های هواشناسی 1 تا 7 روز قبل می­باشد. برای این منظور،داده­های هواشناسی دوره 2009-2000 با استفاده از مدل­های هوشمند بردار پشتیبان، k-نزدیک­ترین همسایگی، شبکه عصبی مصنوعی و درخت تصمیم بررسیگردید. نتایج نشان داد که در هر چهار روش، دقت پیش­بینی بهترین سناریوها با استفاده از داده­های 6 و 7 روز قبل، کمتر از 75 درصد بود، اما با استفاده از داده­های روزهای 1 تا 5 روز قبل، بارش روزانه با دقت بیش از 80 درصد پیش­بینی شد. عملکرد روش درخت تصمیم بهتر از سه روش دیگر بود و به علت ارائه درخت تصمیم­گیری، نتایج سناریوهای 1 تا 5 روز قبل این روش ارائه شد. نتایج سناریوها با استفاده از داده­های 1 تا 3 روز قبل نشان داد که رطوبت نسبی هوا مناسب­ترین پارامتر برای پیش­بینی وقوع بارش روزانه است، اما در شرایط استفاده از داده­های 4 و 5 روز قبل، دمای هوا مناسب­ترین پارامتر برای انجام پیش­بینی بود. در نهایت عملکرد بهترین سناریوها با استفاده از داده­های دوره 2016-2010 صحت­سنجی گردید. بهترین نتایج در بخش صحت­سنجی به ترتیب مربوط به سناریوی 1 روز قبل(با پارامتر حداقل رطوبت نسبی) و سناریوی 4 روز قبل(با پارامتر دمای حداکثر) بود.
1- باباعلی، حمیدرضا و رضا دهقانی. 1396. مقایسه مدلهای هوشمند در تخمین بارش ماهانه حوضه کاکارضا. اکوهیدرولوژی، دوره چهارم، شماره اول، صفحات 11-1، تهران.
2- بهرامی، مهدی. محمدجواد امیری. فاطمه رضایی مهارلویی و کرامتالله غفاری. 1396. تعیین اثر پیشپردازش داده بر عملکرد شبکه عصبی مصنوعی به منظور پیشبینی بارش ماهانه در شهرستان آباده. اکوهیدورلوژی، دوره چهارم، شماره اول، صفحات 37-29، تهران.
3- ستاری، محمدتقی. علی رضازاده جودی و فرناز نهرین. 1393. پیشبینی مقادیر بارش ماهانه با استفاده از شبکههای عصبی مصنوعی و مدل درختی M5 (مطالعه موردی: ایستگاه اهر). پژوهشهای جغرافیای طبیعی، دوره چهل و ششم، شماره دوم، صفحات 260-247، تهران.
4- فلاحی، محمدرضا. هادی وروانی و سعید گلیان 1390. پیشبینی بارش با استفاده از مدل رگرسیون درختی به منظور کنترل سیل، پنجمین کنفرانس سراسری آبخیزداری و مدیریت منابع آب و خاک کشور، دانشگاه شهید باهنر، کرمان.
5- فقیه، همایون. 1389. ارزیابی کاربرد شبکه عصبی مصنوعی و بهینهسازی آن با روش الگوریتم ژنتیک در تخمین دادههای بارش ماهانه (مطالعه موردی: منطقه کردستان). علوم و فنون کشاورزی و منابع طبیعی (علوم آب و خاک)، دوره چهاردهم، شماره پنجاه و یکم، صفحات 42-27، اصفهان.
_||_6. Agnihotri, G., Mohapatra, M. 2012. Prediction of occurrence of daily summer monsoon precipitation over Karnataka. Meteorological Applications, Vol. 19, PP. 130-139.
7. Bhattacharya, B., Solomatine, D.P. 2005. Neural networks and M5 model trees in modeling water level-discharge relationship. Neuro computing, Vol. 63, PP. 381-396.
8. Freiwan, M., Cigizoglu, H.K. 2005. Prediction of total monthly rainfall in Jordan using feed forward backpropagation method. Fresenius Environmental Bulletin, Vol. 14 No. 2, PP. 142-151.
9. George, J., Letha, J., Jairaj, P.G. 2016. Daily Rainfall Prediction using Generalized Linear Bivariate Model - A Case Study. Procedia Technology, Vol. 24, PP. 31-38.
10. Mandal, S., Choudhury, B.U. 2014. Estimation and prediction of maximum daily rainfall at Sagar Island using best fit probability models. Theoretical Applied Climatology, Vol. 121, No. 1-2, PP. 1-11.
11. Mekanik, F., Imteaz, M.A., Gato-Trinida, S., Elmahdi, A. 2013. Multiple regression and artificial neural network for long term rainfall forecasting using large scale climate modes. Journal of Hydrology, Vol. 503, PP. 11-21.
12. Modaresi, F., Araghinejad, S. 2014. A comparative assessment of support vector machines, probabilistic neural networks and K-nearest neighbors’ algorithms for water quality classification. Water Resources management, Vol. 28, PP. 4095-4111.
13. Moghaddamnia, A., Ghafari Gousheh, M., Piri J., Amin S., Han, D. 2009. Evaporation estimation using artificial neural networks and adaptive neurofuzzy inference system techniques. Advances in Water Resources, Vol. 32, PP. 88-97.
14. Pal, M., Mather, P.M. 2003. An assessment of the effectiveness of decision tree methods for land cover classification. Remote Sensing Environment, Vol. 86, No. 4, PP. 554-565.
15. Partal, T., Cigizoglu H.K. 2009. Prediction of daily precipitation using wavelet-neural networks. Hydrological Sciences Journal, Vol. 54, No. 2, PP. 234-246.
16. Saghebian, S.M., Sattari, M.T., Mirabbasi, R., Pal, M. 2013. Ground water quality classification by decision tree method in Ardebil region, Iran. Arabian Journal of Geosciences, Vol. 7, No. 11, PP. 4767-4777.
17. Sattari, M.T., Rezazadeh Joudi, A., Kusiak, A. 2016. Estimation of water quality parameters with data-driven model. American Water Works Association, Vol. 108, No. 4, PP. 232-239.
18. Vapnik, V. 1995. The Nature of Statistical Learning Theory. New York, Springer-Verlag.
19. Weerasinghe, H.D.P., Premaratne, H.L., Sonnadara, D.U.J. 2010. Performance of neural networks in forecasting daily precipitation using multiple sources. Journal of the National Science Foundation of Sri Lanka, Vol. 38, No. 3, PP. 163-170.
20. Witten, I.H., Frank, E., Hall, M.A. 2005. Data Mining: Practical Machine Learning Tools and Techniques. California, Morgan Kaufmann.
21. Wu, C.L., Chau, K.W., Fan, C. 2010. Prediction of rainfall time series using modular artificial neural networks coupled with data preprocessing techniques. Journal of Hydrology, Vol. 389, No. 1-2, PP. 146-167.
22. Yang Su, M. 2011. Real-Time anomaly detection systems for denial-of-service attacks by weighted K-nearest neighbor classifiers. Expert Systems with Applications, Vol. 38, No. 4, PP. 3492-3498.
