مقایسه‌ی مدل‌های درخت تصمیم M۵ و الگوریتم نزدیک‌ترین همسایگی K در پیش‌بینی بارش ماهانه (مطالعه موردی:ایستگاه سینوپتیک بیرجند)

چکیده مقاله

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 90445/0R=، 0543/6RMSE= و 78035/4MAE= در مدل M5 و به طور میانگین با مقادیر 83689/0R=، 69825/7RMSE= و 595/5MAE= در مدل KNN پیش‌بینی دقیق‌تری از بارش ماهانه را ارائه می‌دهد.