روش ترکیبی درخت تصمیم و قوانین انجمنی در پیش‌بینی بلندمدت بارش

پپیش‌بینی‌های بلندمدت متغیرهای هیدروکلیماتولوژیکی مهم نظیر بیشینه بارش ماهانه ابزاری مهم در مدیریت منابع آب است. تحقیقات گذشته نشان داده است که یافتن روابط بین پدیده‌های بزرگ‌مقیاس اقیانوسی اتمسفری مانند دمای سطح دریاها و متغیرهای هیدروکلیماتولوژیکی، نظیر بارش، به پیش‌بینی بلندمدت این متغیرها کمک می‌کند. در این مطالعه ترکیب دو تکنیک داده‌کاوی (درخت تصمیم و قوانین انجمنی) در استخراج وابستگی‌های مهم بین بیشینه بارش ماهانه ایستگاه‌های سینوپتیکی ارومیه و تبریز و دمای سطح دریاهای سیاه، مدیترانه و سرخ معرفی شده است. دو گام اصلی در این مطالعه طبقه‌بندی دمای تفاضلی سطح آب دریاهای مذکور و انتخاب موثرترین گروه‌ها، همچنین استخراج الگوهای پنهان‌نهفته در میان داده‌ها بود و از تکنیک‌ها و الگوریتم‌های درخت تصیم در طبقه‌بندی و انتخاب موثرترین گروه‌ها و از قوانین انجمنی برای کشف الگوها و اطلاعات پنهان‌نهفته در میان داده‌های مشاهداتی استفاده شد. نتایج نشان داد، بین هر یک از دمای سطوح آب دریاهای سیاه، مدیترانه و سرخ با بیشینه بارش ماهانه ایستگاه‌های سینوپتیکی ارومیه و تبریز همبستگی نسبی وجود دارد، به‌طوری که شاخص اعتماد بین هر یک از دمای سطح پهنه‌های آبی فوق، با بیشینه بارش ماهانه ایستگاه‌های سینوپتیکی ارومیه و تبریز، بالاتر از 60 درصد برآورد شد.

A hybrid decision tree/ association rules approach for longterm precipitation forecasting

Longterm forecasting of hydroclimatic variables such as maximum monthly precipitation (MMP) is very important in water resources management. The previous researches have shown that discovering association between the oceanicatmospheric climate phenomena such as Sea Surface Temperature (SST) and hydroclimatic variables such as precipitation could provide important predictive information. In this paper, the application of two data mining techniques is offered to discover affiliation between MMP values of Urmia and Tabriz synoptic stations and SSTs of the Black, Mediterranean and Red Seas. Two major steps of the modeling in this study are the classification of SST data and selecting the most effective groups and extracting hidden predictive information involved in the data. Decision tree algorithms were used for classification and selecting the most effective groups and association rules were employed to extract the hidden predictive information from the large observed data. The results show a relative correlation between the Black, Mediterranean and Red Sea SSTs and MMP of Urmia and Tabriz synoptic stations so that the confidence between the MMP values and the SST of seas is higher than 60% forstations.