ارزیابی توانایی مدل درختی استدلالی در پیش‌بینی احتمال وقوع بارش روزانه

با توجه به واقع شدن ایران در اقلیم خشک و نیمه‌خشک و توزیع ناهمگن بارندگی، پیش‌بینی وقوع بارش از اهمیت ویژه‌ای برخوردار است. از این رو، امروزه محققین با استفاده از روش‌های نوین در پی شناخت و پیش‌بینی دقیق آن هستند. بنابراین، هدف از پژوهش حاضر، بررسی توانایی‌های مدل درخت استدلالی (lmt) در پیش‌بینی وقوع بارش روزانه ایستگاه پارس‌آباد با استفاده از داده‌های هواشناسی 1 تا 3 روز قبل است. برای این منظور، داده‌های هواشناسی دوره 2004-2019 میلادی جمع‌آوری گردید و سه سناریو ترکیبی از پارامترهای هواشناسی برای واسنجی و صحت‌سنجی روش مورد مطالعه مد نظر قرار گرفت. نتایج نشان داد که دقت پیش‌بینی بهترین سناریو با استفاده از داده‌های 2 روز قبل حدود 79 درصد بود، اما با استفاده از داده‌های 1 و 3 روز قبل، بارش روزانه با دقت 80 درصد پیش‌بینی شد. در نهایت، با بررسی معیارهای ارزیابی، سناریو شماره یک با پارامترهای ورودی حداقل، حداکثر و متوسط رطوبت نسبی (درصد)، دما (درجه سانتی گراد)، مجموع ساعات آفتابی (ساعت) و سرعت باد (متر بر ثانیه) به عنوان دقیق‌ترین سناریو برای پیش‌بینی بارش روزانه تعیین گردید.

Evaluating the capabilities of Logistic Model Tree in predicting the occurrence probability of daily precipitation

Due to the location of Iran in arid and semiarid regions and the inhomogeneous distribution of precipitation, predicting the occurrence of precipitation is important, therefore, researchers are implementing novel methods to identify and predict this parameter accurately. Thus the purpose of the current study is to investigate the capabilities of Logistic Model Tree (LMT) in predicting the occurrence of daily precipitation at Parsabad station using 1 to 3day meteorological data. For this purpose, meteorological data for 20042016 were collected, and three combined scenarios of meteorological parameters were considered for calibration and validation of the studied method. The results showed that the prediction accuracy of the bestcase scenario using the data from 2 days ago was about 79%, however, with the data from 1 and 3 days ago, the daily precipitation was with 80% prediction accuracy. Finally, by investigating the evaluation criteria, scenario 1 with the input parameters of minimum, maximum and average relative humidity (%), temperature (oC), total sunshine hours, and wind speed (m/s) was determined as the most accurate scenario to predict daily precipitation.