بررسی عملکرد مدل‌های داده‌کاوی در پیش‌بینی بارش و تحلیل وضعیت خشک‌سالی ایستگاه سینوپتیک بندرعباس

Abstract

استفاده از روش‌های مختلف داده‌کاوی در پیش‌بینی خشک‌سالی متداول است. با این‌حال، به‌طور عمده انتخاب مدل برتر بر مبنای دقت شبیه‌سازی صورت می‌گیرد. درحالی‌که در اغلب مطالعات به ویژگی‌های ساختاری مدل‌ها کم‌تر توجه شده است. در این مقاله کارایی مجموعه‌ای از متداول‌ترین مدل‌های داده‌کاوی شامل شبکه عصبی مصنوعی چندلایه پرسپترون (ANN-MLP)، شبکه عصبی با تابع پایه شعاعی (ANN-RBF)، درخت تصمیم رگرسیونی (CART)، مدل درختی (M5P) و ماشین بردار پشتیبان (SVM) جهت پیش‌بینی بارش یک سال بعد ایستگاه سینوپتیک بندر‌عباس ارزیابی شده و ویژگی‌های هر یک از آن‌ها تشریح می‌شود. واسنجی و صحت‌سنجی مدل‌ها با استفاده از داده‌های خام و میانگین متحرک سه ساله پارامترهای اقلیمی در بازه آماری 1347 تا 1396 انجام شد. عملکرد مدل‌ها با استفاده از پارامترهای آماری مختلف و نمودارهای مقایسه‌ای ارزیابی شد. نتایج نشان داد مدل‌های SVM و M5P به‌ترتیب با مقادیر RMSE برابر 93/7 و 31/8 میلی‌متر، MAE برابر 66/3 و 69/4 میلی‌متر و ضریب همبستگی 83/0 و 82/0 کارایی مطلوبی در پیش‌بینی بارش دارند. هم‌چنین، به‌استثنای مدل CART، تغییر در ابزار داده‌کاوی تفاوت هشت تا 11 درصدی در دقت تخمین‌ها ایجاد می‌کند؛ بنابراین انتخاب مدل مناسب‌تر باید بر مبنای سایر ویژگی‌های روش‌ها در کنار میزان دقت آن‌ها صورت پذیرد. به‌علاوه، بهره‌گیری از میانگین متحرک سه ساله به‌طور متوسط ضریب همبستگی را حدود 78 درصد افزایش و RMSE را حدود 63 درصد کاهش داده است. تحلیل وضعیت درازمدت خشک‌سالی نشان داد با افزایش طول دوره شاخص بارش استاندارد، میزان تفکیک سال‌های مرطوب و خشک مشخص‌تر می‌شود.

Keywords

• درخت تصمیم
• شاخص بارش استاندارد
• شبکه عصبی مصنوعی
• ماشین بردار پشتیبان