بررسی عملکرد مدل‌های داده‌کاوی در پیش‌بینی بارش و تحلیل وضعیت خشک‌سالی ایستگاه سینوپتیک بندرعباس

استفاده از روش‌های مختلف داده‌کاوی در پیش‌بینی خشک‌سالی متداول است. با این‌حال، به‌طور عمده انتخاب مدل برتر بر مبنای دقت شبیه‌سازی صورت می‌گیرد. درحالی‌که در اغلب مطالعات به ویژگی‌های ساختاری مدل‌ها کم‌تر توجه شده است. در این مقاله کارایی مجموعه‌ای از متداول‌ترین مدل‌های داده‌کاوی شامل شبکه عصبی مصنوعی چندلایه پرسپترون (ann-mlp)، شبکه عصبی با تابع پایه شعاعی (ann-rbf)، درخت تصمیم رگرسیونی (cart)، مدل درختی (m5p) و ماشین بردار پشتیبان (svm) جهت پیش‌بینی بارش یک سال بعد ایستگاه سینوپتیک بندر‌عباس ارزیابی شده و ویژگی‌های هر یک از آن‌ها تشریح می‌شود. واسنجی و صحت‌سنجی مدل‌ها با استفاده از داده‌های خام و میانگین متحرک سه ساله پارامترهای اقلیمی در بازه آماری 1347 تا 1396 انجام شد. عملکرد مدل‌ها با استفاده از پارامترهای آماری مختلف و نمودارهای مقایسه‌ای ارزیابی شد. نتایج نشان داد مدل‌های svm و m5p به‌ترتیب با مقادیر rmse برابر 7.93 و 8.31 میلی‌متر، mae برابر 3.66 و 4.69 میلی‌متر و ضریب همبستگی 0.83 و 0.82 کارایی مطلوبی در پیش‌بینی بارش دارند. هم‌چنین، به‌استثنای مدل cart، تغییر در ابزار داده‌کاوی تفاوت هشت تا 11 درصدی در دقت تخمین‌ها ایجاد می‌کند؛ بنابراین انتخاب مدل مناسب‌تر باید بر مبنای سایر ویژگی‌های روش‌ها در کنار میزان دقت آن‌ها صورت پذیرد. به‌علاوه، بهره‌گیری از میانگین متحرک سه ساله به‌طور متوسط ضریب همبستگی را حدود 78 درصد افزایش و rmse را حدود 63 درصد کاهش داده است. تحلیل وضعیت درازمدت خشک‌سالی نشان داد با افزایش طول دوره شاخص بارش استاندارد، میزان تفکیک سال‌های مرطوب و خشک مشخص‌تر می‌شود.

investigating the performance of data mining models in rainfall forecasting and drought analysis of bandar abbas synoptic station

it is common to use different data mining methods in drought prediction. however, the selection of the best model is mainly based on the accuracy of the simulation, while most of the studies do not mention the features of the models. in this paper, the performance of the most common data mining models, including multilayer perceptron artificial neural network (ann-mlp), radial base function neural network (ann-rbf), regression decision tree (cart), model tree (m5p), and support vector machine (svm) is evaluated in order to predict monthly one year ahead rainfall at bandar abbas synoptic station and then the characteristics of each of them are described. calibration and validation of the models were done using raw data and a three-year moving average of climatic parameters from 1347 to 1396. the performance of the models has been evaluated using different statistical indices and comparative diagrams. the results showed that the svm and m5p models have good prediction performance with rmse of 7.93 and 8.31 mm, the mae of 3.66 and 4.69 mm, and the cc of 0.83 and 0.82, respectively. also, with the exception of the cart, the change in the data mining tool makes an eight to 11 percent difference in the accuracy of the estimates. therefore, the most appropriate model should be selected based on other characteristics of the methods besides their accuracy. in addition, using the three-year moving average of the input parameters has increased the correlation coefficient by about 78 percent and reduced the rmse by about 63 percent. the analysis of the long-term drought situation showed that with the increase in the period of the standard precipitation index, the separation of wet and dry years becomes more specific.