اخبار و اعلانات
آمار
| تعداد نشریات | 27 |
| تعداد شماره‌ها | 590 |
| تعداد مقالات | 6,039 |
| تعداد مشاهده مقاله | 8,869,851 |
| تعداد دریافت فایل اصل مقاله | 5,838,024 |
ارزیابی کارایی مدل درخت تصمیم رگرسیونی در پیش‌بینی خشکسالی نمونة موردی: ایستگاه سینوپتیک سنندج | ||
| مخاطرات محیط طبیعی | ||
| مقاله 1، دوره 4، شماره 6، دی 1394، صفحه 1-19 اصل مقاله (6.09 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22111/jneh.2016.2520 | ||
| نویسندگان | ||
غلامعلی مظفری  1؛ شهاب شفیعی2؛ زهرا تقی زاده3
| ||
| 1عضو هیات علمی | ||
| 2دانشجوی دکتری | ||
| 3دانشجوی کارشناسی ارشد | ||
| چکیده | ||
| برای مطالعة 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 تأثیر پیش‌پردازشِ دادههای بارش ماهانة 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 درختهای ایجاد شده از معیارهای آماری مختلف استفاده شده‌است. دادههای مورد استفاده در این پژوهش مربوط به آمار ماهانة بارندگی، رطوبت نسبی، دمای حداکثر، دمای متوسط، جهت باد و سرعت باد در دورة آماری (1389- 1349) است. نتایج حاصل از پژوهش نشان می‌دهد که در ایستگاه سینوپتیک سنندج درخت تصمیم‌گیری رگرسیونی، مدلی نسبتاً کارا درپیش‌بینی خشکسالی میباشد؛ به طوری که درشبیه سازی های صورت گرفته، زمانی که از میانگین متحرّک پنج سالة داده ها برای اجرای مدل استفاده گردید، ترکیب بارش قبلی و دمای حداکثر به عنوان مناسبترین حالت با مقدار خطای 06/0 شناسایی شده و اعمال میانگین متحرک روی دادههای اصلی در بهبود کارایی مدل مؤثر 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. | ||
| کلیدواژه‌ها | ||
| درخت تصمیم؛ پیش بینی بارش؛ الگوریتم CART؛ سنندج | ||
| مراجع | ||
|
- افخمی، حمیده، محمدتقی دستورانی، حسین ملکی نژاد، محمدحسین مبین (1389). بررسی کارایی شبکة عصبی مصنوعی و پارامترهای اقلیمی در پیش‌بینی خشکسالی در منطقة یزد، علوم آب و خاک - علوم و فنون کشاورزی و منابع طبیعی، دوره (14)، شماره 51، صص: 157-169. - پیری، حلیمه، عباس‌زاده، محبوبه، راهداری، وحید، ملکی، سعیده (1392). ارزیابی تطبیقی 4 نمایه خشکسالی هواشناسی با استفاده از روش تحلیل خوشه‌ای مطالعه موردی استان سیستان و بلوچستان، مهندسی منابع آب، سال6، شماره 17، صص: 25-36. - حسن زاده، یوسف، عبدی کردانی، امین، فاخری فرد، احمد (1391). پیش‌بینی خشکسالی با استفاده از الگوریتم ژنتیک و مدل ترکیبی شبکه عصبی – موجکی، فصلنامه آب و فاضلاب، دوره 23، شماره 3، صص: 48-59. - دستورانی، محمد تقی، حبیبی پور، اعظم، اختصاصی، محمد رضا، طالبی، علی، محجوبی، جواد (1391). بررسی کارایی مدل درخت تصمیم در پیش بینی بارش (مطالعة موردی ایستگاه سینوپتیک یزد)، فصلنامة تحقیقات منابع آب ایران، سال هشتم، دوره 8، شماره 3، صص: 14-23. - رضیئی، طیب، دانش‌کار آراسته، پیمان، اختری، روح‌انگیز، ثقفیان، بهرام (1386). بررسی خشکسالی هواشناسی در استان سیستان و بلوچستان با استفاده از نمایه SPI و مدل زنجیره مارکف، مجله تحقیقات منابع آب ایران، دوره3، شماره 1، صص: 25- 35. - شایق، محمد علی (1390). ارزیابی پروژههای باروری ابرها با استفاده از مدل درختان تصمیم‌گیری رگرسیونی (مطالعه موردی: ایران مرکزی -استان فارس)، پایان‌نامه کارشناسی ارشد مهندسی عمران آب، دانشگاه صنعت آب و برق، تهران. - طالبی، علی، اکبری، زینب (1392). بررسی کارایی مدل درختان تصمیم‌گیری در برآورد رسوبات معلق رودخانهای (مطالعه موردی: حوضه سد ایلام)، علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک، سال 17، شماره 63، صص: 109- 121. - فرج‌زاده اصل، منوچهر (1384). خشکسالی، از مفهوم تا راهکار ، انتشارات سازمان جغرافیایی نیروهای مسلح. - کانتاردزیک، م (1385). داده‌کاوی، ترجمه: امین علیخان زاده، نشر علوم رایانه، بابل، چاپ اول. - کردوانی، پرویز (1380). خشکسالی و راهکارهای مقابله با آن در ایران، انتشارات دانشگاه تهران، چاپ دوم. - کشاورز، محمدرضا، وظیفه‌دوست، مجید، فتاحی، ابراهیم، بهیار، محمدباقر (1391). الگوی توزیعی جهت و شدت روند تغییرات خشکسالی ایران به کمک نمایه توزیعی شدت خشکسالی پالمر، نشریه تحقیقات کاربردی علوم جغرافیایی، سال12، شماره 27، صص: 97- 110. - محجوبی، جواد، اردلان صمغی، حسین (1388). پیش‌بینی پارامترهای امواج ناشی از باد در دریای خزر با استفاده از روش درختان تصمیم رگرسیونی و شبکههای عصبی مصنوعی، نشریه مهندسی دریا، سال پنجم، شماره 9، صص: 65- 71. - مشکانی، علی، ناظمی، عبدالرضا (1388). مقدمه‌ای بر داده‌کاوی، مشهد موسسه چاپ و انتشارات دانشگاه فردوسی، چاپ اول. - Bhattacharya, B., R.K. Price and D. P. Solomatine. (2007), Machine learning approach to modeling sediment transport. J. Hydraul. Eng. 133(4), Pp 440-450.
- B reiman, L., Friedman J., Olshen R., and Stone. C, (1984),Classification and Regression Trees, Chapman & Hall/CRC Press, Boca Raton, FL. Development of a decision tree modeling approach .Geoderma 139, Pp.277-287 .
- Santos, C. A. G., Morais, B. S., & Silva, G. B. (2009), Drought forecast using an artificial neural network for three hydrological zones in San Francisco River basin, Brazil. IAHS publication, 333, 302.
- Mahesh P. and Mather P. M., (2003), anassessment of the effectiveness of decision tree methods for land cover classification. Remote Sensing of Environment, 86, Pp. 554–565.
- Geissen, V., Kampichler, C., López-de Llergo-Juárez, J. J., & Galindo-Acántara, A. (2007), Superficial and subterranean soil erosion in Tabasco, tropical Mexico: development of a decision tree modeling approach. Geoderma, 139(3), Pp.277-287.
- 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.
- Rusjan, S. and M. Micos. (2008), Assessment of hydrolpgical and seasonal controls over the nitrate flushing from a forested watershed using a data mining technique. Hydrol.Earth Sys. Sci. 12: 645-656.
- 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.
- Wilhite, D.A. ed., (2012), Drought Assessment, Management, and Planning: Theory and Case Studies: Theory and Case Studies (Vol. 2). Springer Science & Business Media. | ||
|
آمار تعداد مشاهده مقاله: 2,018 تعداد دریافت فایل اصل مقاله: 2,423 |
||
