ارزیابی کارایی مدل درخت تصمیم ‌رگرسیونی در پیش‌بینی خشکسالی نمونه موردی: ایستگاه سینوپتیک سنندج

برای مطالعه خشکسالی روش‌های مختلفی وجود دارد. روش تحلیل داده‌های بارندگی، جزو عمومی روش های تحلیل خشکسالی به شمار می رود؛ لذا پیش‌بینی دقیق و پیش از وقوع بارش می تواند شرایط را برای ارزیابی وضعیت خشکسالی فراهم نماید. هدف این پژوهش، بررسی تاثیر پیش‌پردازشِ داده‌های بارش ماهانه ایستگاه سینوپتیک سنندج بر عملکرد مدل درخت تصمیم در پیش‌بینی خشکسالی در ایستگاه سینوپتیک سنندج می‌باشد. در این پژوهش از الگوریتم cart به عنوان یکی از انواع درختان تصمیم رگرسیونی جهت پیش‌بینی بارش 12 ماه بعد استفاده شده و جهت ارزیابی درخت های ایجاد شده از معیارهای آماری مختلف استفاده شده‌است. داده های مورد استفاده در این پژوهش مربوط به آمار ماهانه بارندگی، رطوبت نسبی، دمای حداکثر، دمای متوسط، جهت باد و سرعت باد در دوره آماری (1389 -1349) است. نتایج حاصل از پژوهش نشان می‌دهد که در ایستگاه سینوپتیک سنندج درخت تصمیم‌گیری رگرسیونی،مدلی نسبتاً کارا درپیش‌ بینی خشکسالی می باشد؛ به‌طوری ‌که درشبیه‌سازی های صورت گرفته،زمانی که از میانگین متحرّک پنج ساله داده هابرای اجرای مدل استفاده گردید، ترکیب بارش قبلی ودمای حداکثر به عنوان مناسب ترین حالت با مقدار خطای 0.06 شناسایی شده و  اعمال میانگین متحرک روی داده‌های اصلی در بهبود کارایی مدل موثر است. در این شرایط، روش درخت تصمیم رگرسیونی ایستگاه سنندج با ضریب اطمینان بالایی میزان بارش را 12 ماه پیش از وقوع بر آورد نمایند.

Evaluate the performance Regression Decision Tree Model in Predicting Drought (Case Study: Synoptic Station in Sanandaj)

There are several ways to study drought. Method of analysis rainfall data, Public Sector analysis methods is drought. Therefore, accurate prediction and before the outbreak precipitation could provide the conditions for assessing the drought situation. The purpose of this study is investigating the effect of data preprocessing on the performance of the decision tree model to predict drought in synoptic station in Sanandaj.  In this study, CART algorithms (Classification and regression tree) has been used as variety of decision tree regression in order to predict precipitation forecast of12months. The data used in this study are the monthly precipitation, relative humidity, the maximum temperature, the average temperature, wind direction and wind speed  in a specific statistical period(1970 2010). To assess the created trees in this study, different statistical measures have been used which in the end results show that in synoptic station in Sanandaj, decision tree regression model is a relatively efficient model to predict drought in which using a moving averages compared to other states led to Increasing the efficiency of decision tree mode land providing thread just mint in the range of changes, the input data with a high reliability is able to estimate the amount ofprecipitation12months before it occurs which in the simulation carried outing this study, when the fiveyear moving average of the data has been used to implement the model ,combination of previous rainfall, maximum temperature has been identified as the most appropriate states. The findings shows that applying moving average to the original data, dramatically improves the performance of the model. In these circumstances, the decision tree method regression in Sanandaj station with high reliability level estimate the occurrence of precipitation in 12 months ago.