بررسی کارایی مدل درخت تصمیم در پیش بینی بارش (مطالعه موردی ایستگاه سینوپتیک یزد)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 عضو هیئت علمی /دانشکده منابع طبیعی دانشگاه یزد، در حال حاضر مامور در دانشکده منابع طبیعی و محیط زیست دانشگاه فردوسی مشهد- یزد- ایران

2 دانشجوی دکترای/ منابع طبیعی – آبخیزداری- دانشگاه یزد- یزد- ایران

3 عضو هیئت علمی / دانشکده منابع طبیعی- دانشگاه یزد- یزد- ایران.

4 عضو هیئت علمی/ دانشکده منابع طبیعی- دانشگاه یزد- یزد- ایران.

5 کارشناس ارشد/ عمران-سازه های هیدرولیکی- دانشگاه علم وصنعت- تهران- ایران

چکیده

وقوع خشکسالی اثرات نامطلوبی بر بخش‌های کشاورزی و اقتصادی کشور و به طور خاص بر عرصه‌های طبیعی تحمیل می‌کند. امروزه روش‌های مختلفی جهت پیش بینی مؤلفه‌های اصلی خشکسالی از جمله بارش ارائه شده است. در دهه‌های اخیر، استفاده از مدل‌های جدید کامپیوتری در این زمینه رواج یافته و در اغلب موارد توانایی خود را به خوبی نشان داده است. درخت تصمیم به عنوان یکی از این نوع مدل‌ها، با بررسی پارامترها از جزء به کل، به تولید قانون می‌پردازند و نهایتاً به دانش قابل فهم از بین داده‌های آماری موجود دست می‌یابند. در این تحقیق از مدل درخت تصمیم به عنوان یکی از روش‌های داده کاوی جهت پیش بینی بارش و ارزیابی وضعیت خشکسالی درایستگاه سینوپتیک یزد استفاده شد. شبیه‌سازی‌ها در چهار حالت صورت گرفت و در کلیه شبیه‌سازی‌ها از متغیرهای بارش قبلی، دمای متوسط، دمای ماکزیمم، رطوبت، سرعت باد، جهت باد در مقیاس ماهانه به عنوان متغیرهای مستقل مدل استفاده و میزان بارش 12 ماه قبل از وقوع پیش بینی گردید. در نهایت جهت ارزیابی دقت و صحت درخت‌های ایجاد شده در حالات فوق، معیارهای آماری مختلف مورد استفاده قرار گرفت. نتایج نشان داد که در ایستگاه یزد، مدل درخت تصمیم گیری خصوصاً در شرایطی که از میانگین متحرک 5 ساله داده‌ها استفاده گردد، دارای توانایی مناسبی در پیش بینی میزان بارش می‌باشد. پیش بینی مقدار بارندگی و به تبع آن ارزیابی وضعیت خشکسالی با دقت مناسب و قبل از وقوع آن، می‌تواند به برنامه‌ریزی جهت کاهش خسارات حاصل از آن کمک قابل توجهی نماید.

کلیدواژه‌ها

عنوان مقاله [English]

Evaluation of the Decision Tree Model in Precipitation Prediction (Case study: Yazd Synoptic Station)

نویسندگان [English]

  • M. T Dastourani 1
  • A Habibipoor 2
  • M. R Ekhtesasi 3
  • A Talebi 4
  • J Mahjoobi 5
1 Lecturer, Faculty of Natural Resources, Yazd University, Yazd, iran
2 PhD student of Watershead Management Engineering, Yazd University, Yazd, iran
3 Lecturer, Faculty of Natural Resources, Yazd University, Yazd, iran
4 Lecturer, Faculty of Natural Resources, Yazd University, Yazd, iran
5 Msc., Civil Engineering- Water Engineering, Iran University of Science and Technology, Tehran, Iran
چکیده [English]

Undesirable effects of droughts on the agricultural and economical sectors and especially on the natural resources are intense. Different methods have been presented to predict the main factors of drought such as precipitation and during the recent decades some new computer based models have been developed for drought prediction. In most cases these models have presented quite satisfactory results. Decision tree, as one of these models, produces rules based on evaluation of the parameters from portion (component) to the whole, and finally reaches understandable knowledge from the existing statistical data. In this research, decision tree model has been used as a data mining method to predict precipitation and evaluation of drought in Yazd synoptic meteorological station. Simulations were carried out in four different conditions. Related variables including previous monthly precipitation, mean temperature, maximum temperature, humidity, wind speed, wind direction, and evaporation were used as independent input variables for all these four conditions and the amount of precipitation was predicted 12 months in advance. Finally for evaluation of the model performance in different conditions, statistical criteria were employed. Results indicated that the decision tree model is able to presents suitable prediction of precipitation especially when 5-year moving average of data is used. Precise prediction of precipitation and the accurate evaluation of drought conditions are of great importance for a better management and planning for drought damages reduction. 

کلیدواژه‌ها [English]

  • modelling
  • decision tree
  • Yazd
  • Data mining
  • Precipitation
  • Drought

مراجع

اکبری، ز.(1389). بررسی کارایی مدل درخت تصمیم‌گیری رگرسیونی در برآورد میزان رسوب حوزه سد ایلام، پایان نامه کارشناسی ارشد، دانشکده منابع طبیعی و کویر شناسی، دانشگاه یزد.
شایق، م. ع. (1390). ارزیابی پروژه‌های باروری ابرها با استفاده از مدل درختان تصمیم گیری رگرسیونی (مطالعه موردی: ایران مرکزی- استان فارس)،‌ پایان نامه کارشناسی ارشد مهندسی عمران آب، دانشگاه صنعت آب و برق، تهران.
کانتاردزیک، م. (1385).داده کاوی، مترجم: امیر علیخانزاده؛ بابل، نشر علوم رایانه.
مشکانی، ع. و ناظمی، ع. (1388). مقدمه ای بر داده کاوی، مشهد،  موسسه چاپ و انتشارات دانشگاه فردوسی.
Ayoubloo, M.K., Etemad-Shahidi, A., Mahjoobi, J., (2010). Evaluation of regular wave scour around a circular pile using data mining approaches. Applied Ocean Research. 32, pp. 34-39.
Bhattacharya, B., Price R.K, and Solomatine D.P., (2007). Machine learning approach to modeling sediment transport. Journal of Hydraulic Engineering. 133(4), pp. 440-450.
Breiman, L., Friedman J., Olshen R., and Stone C.,1984, Classification and Regression Trees, Chapman & Hall/CRC Press, Boca Raton, FL.
Chen, J.C., Ning, S.K., Chen, H.W. and Shu, C.S. (2008), Flooding probability of urban area estimated by decision tree and artificial neural networks, Journal of Hydroinformatics, Vol.10, No.1, pp. 57-67.
Cheng, C.C., Hsu, N.S. and Wei C.C. (2008), Decision-tree analysis on optimal release of reservoir storage under typhoon warnings, Natural Hazards, 44, pp. 65-84.
Geissen, V., Kampichler C., Lopez-de Llergo J.J. and Galindo-Acantara A. (2007).superficial and subterranean soil erosion in Tabasco, tropical Mexico: development of a decision tree modeling approach .Geoderma 139, pp. 277-287.
Kheir,B.F., Chorowicz J., Chadi A. and Damien D., )2008).  Soil and bedrock distribution estimated from gully form and frequency: A GIS-based decision-tree model for Lebanon.  Geomorphology 93, pp. 482-.492.
Kocev,D., Saso D., White M. D., Newell G. R. and Griffioen P., )2009(. Using single-and multi-target regression trees and ensembles to model a compound index of vegetation condition. Ecological Modeling 220, pp. 1159 –1168.
Mahesh P. and Mather P. M., (2003), An assessment of the effectiveness of decision tree methods for land cover classification. Remote Sensing of Environment 86, pp. 554–565.
Obasi,G.O.P., (1994), WMO,s role in the international decade for natural disaster reduction, Bull,Am, Meteorole, Soc.75(1), 665-16661.
Rusjan, S. and Micos M., (2008), Assessment of hydrological and seasonal controls over the nitrate flushing from a forested watershed using a data mining technique. Hydrol.Earth syst. Sci., 12, pp. 645-656.
Taghi Sattari, M., Anli, A.S., Apaydin, H. and Kodal, S., (2012), Decision tree to determine the possible drought periods in Ankara, Atmosfera 25 (1), pp. 65-83.
USDA., (1994), Major world crop areas and climatic profile, World Agricultural out look Board, US Department of Agriculture, Agricultural Hand book No, 664, pp. 157-170.
Vega, F.A., Matías J. M., Andrade M. L., Reigosa M. J. and Covelo E.F. (2009). Classification and regression trees (CARTs)for modeling the sorption and retention of heavy metals by soil. Journal of Hazardous Materials, 167, pp. 615 –624.
Yurekli, K., Taghi Sattari, M.T., Anli, A.S. and Hinis, M.A. (2012), Seasonal and annual regional drought prediction by using data-mining approach, Atmosfera 25 (1), pp. 85-105.
تحقیقات منابع آب ایران
دوره 8، شماره 3
بهمن 1391
صفحه 14-27

فایل ها

سابقه مقاله

  • تاریخ دریافت: 19 بهمن 1389
  • تاریخ پذیرش: 10 آبان 1391

هم رسانی

ارجاع به این مقاله

آمار