|
|
پیش بینی بارش روزانه ایستگاه سردشت با استفاده از الگوریتم های تنبل و مدلهای درختی
|
|
|
|
|
نویسنده
|
شرفی میلاد ,بهمنش جواد
|
منبع
|
سامانه هاي سطوح آبگير باران - 1401 - دوره : 10 - شماره : 34 - صفحه:1 -10
|
چکیده
|
با توجه به توزیع ناهمگون بارش، پیشبینی وقوع آنیکی از راهکارهای اولیه و اساسی برای پیشگیری از بلایای احتمالی و خسارات ناشی از آن است. با توجه به بالا بودن میزان بارندگی در شهرستان سردشت، روی آوردن مردم این شهرستان به کشاورزی در سال های اخیر و عدم استفاده از مدل های طبقه بندی در ایستگاه مورد مطالعه، پیش بینی هرچه دقیق تر پارامتر بارش روزانه امری ضروری است. از طرفی دیگر، با اینکه عملکرد مطلوب الگوریتم های تنبل و مدل های درختی باعث افزایش استفاده از آن ها برای پیش بینی پدیده های مختلف هیدرولوژیکی شده اما این الگوریتم ها در شهرستان سردشت مورد استفاده قرار نگرفته اند. لذا در این پژوهش، چهار مدل kstar، m5p، الگوریتم یادگیری با وزندهی محلی و جنگل تصادفی برای پیش بینی بارش روزانه ایستگاه سردشت به کار گرفتهشده است. در این مطالعه از هفت پارامتر ورودی میانگین دما، حداکثر دما، رطوبت نسبی متوسط، حداکثر رطوبت نسبی، سرعت باد متوسط، حداکثر سرعت باد و ساعات آفتابی که هم زمان با بارش روزانه بودند، برای مدل ها استفاده شد. مقایسه و ارزیابی بین پارامترهای ورودی نشان داد که پارامتر ساعات آفتابی ازجمله مهم ترین پارامترهای ورودی بوده که نقش قابل توجهی در دقت پیش بینی مدل های مورد استفاده داشته است. نتایج بهدستآمده نشان داد که مدل درختی m5p در سناریوی هفتم بهترین عملکرد را با بیشترین ضریب همبستگی (0.734 میلی متر بر روز) نسبت به دیگر مدل ها داشته است. همچنین، سناریوی هفتم عملکرد بالایی نسبت به بقیه سناریوها از خود نشان داد. لذا می توان گفت که افزایش ورودی مدل ها تا حدودی رابطه مستقیمی با دقت آن ها دارد. بهطورکلی می توان گفت که مدل درختی m5p برای مدل سازی و پیش بینی بارش روزانه شهرستان سردشت مناسب بوده و برای استفاده های بعدی پیشنهاد میشود.
|
کلیدواژه
|
الگوریتم یادگیری، پیشبینی، سردشت، مدلسازی، مدل درختی
|
آدرس
|
دانشگاه ارومیه, دانشکده کشاورزی, گروه مهندسی آب, ایران, دانشگاه ارومیه, دانشکده کشاورزی, گروه مهندسی آب, ایران
|
پست الکترونیکی
|
j.behmanesh@urmia.ac.ir
|
|
|
|
|
|
|
|
|
prediction of daily precipitation of sardasht station using lazy algorithms and tree models
|
|
|
Authors
|
sharafi milad ,behmanesh javad
|
Abstract
|
due to the heterogeneous distribution of precipitation, predicting its occurrence is one of the primary and basic solutions to prevent possible disasters and damages caused by them. considering the high amount of precipitation in sardasht county, the people of this city turning to agriculture in recent years and not using classification models in the studied station, it is necessary to predict the daily precipitation parameter as accurately as possible. on the other hand, although the optimal performance of lazy algorithms and tree models has increased their use for predicting various hydrological phenomena, these algorithms have not been used in sardasht county. therefore, in this research, four models kstar, m5p, learning algorithm with local weighting, and random forest are used to predict the daily precipitation of sardasht station. in this study, seven input parameters of average temperature, maximum temperature, average relative humidity, maximum relative humidity, average wind speed, maximum wind speed, and sunshine hours which were the same time as daily rainfall were used for the models. the comparison and evaluation between the input parameters showed that the sunshine hours was one of the most important input parameters, which played a significant role in the prediction accuracy of the used models. the obtained results showed that the m5p tree model had the best performance in the seventh scenario with the highest correlation coefficient (0.734 mm/day) compared to other models. in addition, the seventh scenario showed a high performance compared to the rest of the scenarios. therefore, it can be said that increasing the input of the models has a direct relationship with their accuracy. in general, it can be said that the m5p tree model is suitable for modeling and forecasting daily rainfall in sardasht city and it is recommended for future use.
|
Keywords
|
modeling ,learning algorithm ,prediction ,sardasht ,tree model
|
|
|
|
|
|
|
|
|
|
|