مقایسه‌ی مدل‌های درخت تصمیم m5 و الگوریتم نزدیک‌ترین همسایگی k در پیش‌بینی بارش ماهانه (مطالعه موردی:ایستگاه سینوپتیک بیرجند)

باتوجه به واقع شدن ایران در اقلیم خشک و نیمه خشک، توزیع ناهمگن بارندگی و همچنین وقوع پدیده‌ی تغییراقلیم سبب ایجاد پدیده‌هایی مانند سیل، خشکسالی، بیان‌زایی و تولید ریزگردها و نیز ایجاد خسارت‌های مختلف اقتصادی، اجتماعی و زیست‌محیطی گردیده است. یکی از راهکارهای اولیه جهت کاهش این خسارات، پیش‌بینی رخداد بارندگی است. هدف از مطالعه‌ی حاضر پیش‌بینی بارش ماهانه با بکارگیری روش‌های داده‌کاوی الگوریتم‌های درخت تصمیم (m5) و نزدیک‌ترین همسایگی k (knn) و مقایسه‌ی این دو روش در راستای تعیین روش کاراتر در زمینه‌ی پیش‌بینی بارندگی با استفاده از داده‌‌های هواشناسی ماهانه‌ی ایستگاه سینوپتیک بیرجند طی دوره‌ی آماری 2010-1961 میلادی در سه حالت داده خام، میانگین‌متحرک سه‌ساله و میانگین‌متحرک پنج‌ساله در نرم افزار weka می‌باشد. نتایج نشان داد که در تمامی سناریوهای تعریف شده، مدل درختی m5 نسبت به مدل knn توانایی بیشتری در پیش‌بینی بارش ماهانه‌ی این ایستگاه دارد. همچنین پس از بررسی معیارهای ارزیابی r،rmse ، mae و ns، سناریو پانزدهم با پارامترهای ورودی اختلاف میانگین حداکثر و حداقل دما، متوسط رطوبت نسبی، میانگین سرعت باد و درجه روز سرمایش (بر پایه 21 درجه سانتی‌گراد) در هر ماه به عنوان بهترین سناریو برای پیش‌بینی بارش همان ماه تعیین گردید. همچنین نتایج به دست آمده از مقایسه‌ی سناریوهای تعریف شده در هر مدل در سه حالت داده‌های خام، میانگین متحرک سه ساله و میانگین متحرک پنج ساله نشان می‌دهد که در اکثر سناریوها میانگین متحرک پنج ساله به طور میانگین با مقادیر 0.90445=r و 6.0543=rmse و 4.78035=mae در مدل m5 و به طور میانگین با مقادیر 0.83689=r و 7.69825=rmse و 5.595=mae در مدل knn پیش‌بینی دقیق‌تری از بارش ماهانه را ارائه می‌دهد.

Comparison of Decision Tree M5 and KNearest Neighborhood Algorithm Models In The Prediction of Monthly Precipitation (Case Study: Birjand Synoptic Station)

Due to the location of Iran in dry and semiarid climate, heterogeneous distribution of precipitation and also the occurrence of a climate change phenomenon has caused phenomena such as floods, drought, desertification and dust production and also creating the different economic, social and environmental damages. One of the primary strategies to reduce these losses, is prediction of the precipitation events. The goal of the present study is monthly precipitation prediction with using data mining methods of decision tree (M5) and KNearest Neighbor (KNN) algorithms and Comparing these methods in order to determining more efficient method in the field of predicting the precipitation using monthly meteorological data of Birjand synoptic station during the statistical period 19612010 in three cases the raw data, the threeyear moving average and the fiveyear moving average in the Weka software. The results showed that in all defined scenarios, the tree model M5 has more ability than the KNN model to predict the monthly precipitation of the station. Also after investigation of the evaluation criteria R, RMSE, MAE and NS, the fifteenth scenario with input variables such as mean difference of maximum and minimum temperature, average relative humidity, average wind speed and cooling degree days (base 21 ° C) in every month was determined as the best scenario for predicting the same month precipitation. Also the obtained results from comparing the defined scenarios in each model in three states raw data, threeyear moving average and fiveyear moving average show that in most scenarios The fiveyear moving average on average, with the values of R=0.90445, RMSE=6.0543 and MAE=4.78035 in the M5 model and on average, with the values of R=0.83689, RMSE=7.69825 and MAE=5.595 in the KNN model offers more accurate prediction of monthly Precipitation.