ارزيابي كارايي مدل درخت تصميم ‌رگرسيوني در پيش‌بيني خشكسالي نمونه موردي: ايستگاه سينوپتيك سنندج

Evaluate the performance Regression Decision Tree Model in Predicting Drought (Case Study: Synoptic Station in Sanandaj)

براي مطالعه خشكسالي روش‌هاي مختلفي وجود دارد. روش تحليل داده‌هاي بارندگي، جزو عمومي روش هاي تحليل خشكسالي به شمار مي رود؛ لذا پيش‌بيني دقيق و پيش از وقوع بارش مي تواند شرايط را براي ارزيابي وضعيت خشكسالي فراهم نمايد. هدف اين پژوهش، بررسي تأثير پيش‌پردازشِ داده‌هاي بارش ماهانه ايستگاه سينوپتيك سنندج بر عملكرد مدل درخت تصميم در پيش‌بيني خشكسالي در ايستگاه سينوپتيك سنندج مي‌باشد. در اين پژوهش از الگوريتم CART به عنوان يكي از انواع درختان تصميم رگرسيوني جهت پيش‌بيني بارش 12 ماه بعد استفاده شده و جهت ارزيابي درخت هاي ايجاد شده از معيارهاي آماري مختلف استفاده شده‌است. داده هاي مورد استفاده در اين پژوهش مربوط به آمار ماهانه بارندگي، رطوبت نسبي، دماي حداكثر، دماي متوسط، جهت باد و سرعت باد در دوره آماري (1389 -1349) است. نتايج حاصل از پژوهش نشان مي‌دهد كه در ايستگاه سينوپتيك سنندج درخت تصميم‌گيري رگرسيوني،مدلي نسبتاً كارا درپيش‌ بيني خشكسالي مي باشد؛ به‌طوري ‌كه درشبيه‌سازي هاي صورت گرفته،زماني كه از ميانگين متحرّك پنج ساله داده هابراي اجراي مدل استفاده گرديد، تركيب بارش قبلي ودماي حداكثر به عنوان مناسب ترين حالت با مقدار خطاي 0.06 شناسايي شده و  اعمال ميانگين متحرك روي داده‌هاي اصلي در بهبود كارايي مدل مؤثر است. در اين شرايط، روش درخت تصميم رگرسيوني ايستگاه سنندج با ضريب اطمينان بالايي ميزان بارش را 12 ماه پيش از وقوع بر آورد نمايند.

There are several ways to study drought. Method of analysis rainfall data, Public Sector analysis methods is drought. Therefore, accurate prediction and before the outbreak precipitation could provide the conditions for assessing the drought situation. The purpose of this study is investigating the effect of data preprocessing on the performance of the decision tree model to predict drought in synoptic station in Sanandaj.  In this study, CART algorithms (Classification and regression tree) has been used as variety of decision tree regression in order to predict precipitation forecast of12months. The data used in this study are the monthly precipitation, relative humidity, the maximum temperature, the average temperature, wind direction and wind speed  in a specific statistical period(1970 2010). To assess the created trees in this study, different statistical measures have been used which in the end results show that in synoptic station in Sanandaj, decision tree regression model is a relatively efficient model to predict drought in which using a moving averages compared to other states led to Increasing the efficiency of decision tree mode land providing thread just mint in the range of changes, the input data with a high reliability is able to estimate the amount ofprecipitation12months before it occurs which in the simulation carried outing this study, when the fiveyear moving average of the data has been used to implement the model ,combination of previous rainfall, maximum temperature has been identified as the most appropriate states. The findings shows that applying moving average to the original data, dramatically improves the performance of the model. In these circumstances, the decision tree method regression in Sanandaj station with high reliability level estimate the occurrence of precipitation in 12 months ago.