ارزیابی مدل‌‌های داده محور مبتنی بر ریزمقیاس نمایی مقادیر دمای روزانه

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی آب، دانشگاه بیرجند، بیرجند

2 مهندسی منابع آب، دانشکده آب و خاک، دانشگاه زابل. کرمان، ایران

3 استادیار گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند

4 کیلومتر ۵ جاده کرمان - پردیس کشاورزی و منابع طبیعی دانشگاه بیرجند - دانشکده کشاورزی، گروه مهندسی آب صندوق پستی: 331

چکیده

در این پژوهش با استفاده از شش مدل شبکه عصبی (ANN)، انفیس(ANFIS)، ماشین بردار پشتیبان (SVM)، برنامه‌ریزی ژنتیک (GP)، رگرسیون بردار پشتیبان (SVR) و رگرسیون چندمتغیره (Reg)، متوسط دمای روزانه ایستگاه­های کرمان و بم طی دوره آماری 1961-2005 بررسی و شبیه­سازی شد. نتایج نشان داد که متوسط دمای روزانه طی دوره­های یاد شده افزایش چشمگیری برای هر دو منطقه خواهند داشت. نتایج  کلی به دست آمده حاکی از برتری نتایج مدل رگرسیونی SVR (کرمان: RMSE=1.105  و R=0.992) و (بم: RMSE=1.01  و R=0.99) می­باشد. نتایج بررسی­ها نشان داد که مدل SVR، میزان خطای شبیه­سازی را نسبت به مدل­های شبکه عصبی (ANN)، انفیس (ANFIS)، برنامه‌ریزی ژنتیک (GP) و رگرسیون چندمتغیره (Reg) در ایستگاه کرمان به ترتیب 32، 42، 30 و 11 درصد و در ایستگاه بم به ترتیب 62، 59، 27 و 27 درصد بهبود می­بخشد. نتایج بررسی جذر میانگین مربعات خطا نشان داد که از بین شش مدل مورد بررسی، مدل رگرسیون بردار پشتیبان و برنامه ریزی ژنتیک برای ایستگاه بم و مدل رگرسیون بردار پشتیبان برای ایستگاه کرمان از دقت بالاتری برخوردار می­باشد. همچنین نتایج نشان داد که برآورد میزان دمای متوسط ایستگاه سینوپتیک بم دارای کارایی و دقت بیشتری نسبت به ایستگاه سینوپتیک کرمان هستند. در این پژوهش هر چند آنالیز نتایج خروجی مدل­ها منجر به نتایج یکسانی نشد ولی نتایج مدل­ها بیانگر افزایش در متغیر­های دمایی در دو شهر کرمان و بم در دوره­‌های آتی می­باشد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Evaluation of Data-Driven Models Based on Downscaling of Daily Temperature Values

نویسندگان [English]

  • Hossien khozeymehnehad 1
  • Maryam Safavi 2
  • Mehdi Amirabadizadeh 3
  • mohamad Nazeri Tahroudi 4
1 Assistant Professor, Department of water Engineering, University of Birjand
2 s
3 Assistant Professor, Department of Water Engineering, University of Birjand, Birjand
4 University of Birjand
چکیده [English]

In this study, using six models of neural network (ANN), ANFIS, support vector machine (SVM), genetic programming (GP), support vector regression (SVR) and multivariate regression (Reg), the mean daily temperature at Kerman and Bam stations, Iran were studied and simulated during the period of 1961-2005. The results showed that the mean daily temperature during the mentioned periods will increase significantly for both stations. The overall results indicate the superiority of the results of the SVR model (Kerman: RMSE = 1.105 oC and R = 0.992) and (Bam: RMSE = 1.01 oC and R = 0.99). The results showed that the SVR model improved the simulation error rate compared to the neural network (ANN), ANFIS, genetic programming (GP) and multivariate regression (Reg) models in Kerman station about 32, 42, 30 and 11 percent respectively and 62, 59, 27 and 27 percent respectively in Bam station. The results of the root mean square error showed that among the six studied models, the support vector regression model and genetic planning for Bam station and the support vector regression model for Kerman station have higher accuracy. The results also showed that estimating the mean temperature of Bam station has more efficiency and accuracy than Kerman station. In this study, although the analysis of the output results of the models did not lead to the same results, but the results of the models indicate an increase in temperature variables in the two stations of Kerman and Bam in future periods.

کلیدواژه‌ها [English]

  • climate change
  • general circulation model
  • Kerman
  • prediction
آبکار، ح.، ن، سلیمانی.، م، علیجان و ه، کریم. 1392. بررسی میزان کارایی مدل SDSM در شبیه­سازی شاخصه­ای دمایی در مناطق خشک و نیمه خشک، فصلنامه علمی پژوهشی مهندسی آبیاری و آب، شماره 14.
اسکندری، ع.، ر، نوری.، ح، معراجی و ا، کیاقادی. 1391. توسعه مدلی مناسب بر مبنای شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای پیش­بینی بهنگام اکسیژنخواهی بیوشیمیایی ۵ روزه. محیط­شناسی، دوره 38، شماره 61، ص 82-71.
جباریان امیری، ب.، ا، فاتحی و ن، محمدزاده. 1395. ریزمقیاس نمایی مدل گردش عمومی جو و کاربرد آن در شبیه سازی داده های هواشناسی استان گیلان، نشریه محیط زیست طبیعی، دوره 69، شماره 1، ص 158-143.
رضایی، م.، م، نهتانی.، ع، آبکار.، م، رضایی و م، میرکازهی ریگی. 1393. بررسی کارایی مدل ریز ‌مقیاس نمایی آماری (SDSM) در پیش­نگری پارامترهای دمایی در دو اقلیم خشک و فراخشک (مطالعه موردی: کرمان و بم)، پ‍‍ژوهشنامه مدیریت حوزه آبخیز، دوره 5، شماره 10، ص ۱۱۷-۱۳۱.
زینلی، م و س. ر، هاشمی. 1395. مقایسه توابع یادگیری شبکه عصبی در مدل­سازی رواناب، اکوهیدرولوژی، دوره 3، شماره 4، ص 659-667.
سلگی، ا.، ح، زراعی.، م، شهنی دارابی و س، علی دادی. 1397. پیش­نگری بارش ماهانه با استفاده از مدل­های برنامه ریزی بیان ژن و ماشین بردار پشتیبان، نشریه تحقیقات کاربردی علوم جغرافیایی، دوره 18، شماره 50، ص 103-91.
شاهی نژاد، ب و ر، دهقانی. 1397. مقایسه مدل های شبکه عصبی موجک، ماشین بردار پشتیبان و برنامه ریزی بیان ژن در تخمین میزان اکسیژن محلول در رودخانه ها، نشریه تحقیقات منابع آب ایران، دوره 14، شماره 3، ص 277-265.
صمدی، م.، س، مهدوی و م، علیرضا. 1388. انتخاب متغیر پیش بینی کننده به منظور کوچک مقیاس کردن داده های دما و بارندگی در حوضه آبخیز کرخه، پنجمین همایش ملی علوم و مهندسی آبخیزداری ایران (مدیریت پایدار بلایای طبیعی)، دانشگاه علوم کشاورزی و منابع طبیعی گرگان.
کدخدا حسینی، م.، ر، میرعباسی.، ح، نوذری و ع، رستمی.، 1397. ارزیابی عملکرد رهیافت های برنامه ریزی ژنتیک و ماشین بردار پشتیبان در بازسازی داده های گم شده بارش. نشریه هواشناسی کشاورزی، دوره 1، شماره 6، ص 49-41.
Braddock, R.D., M.L, Kremmer and L. Sanzogni. 1998. Feedforward artificial neural network model for forecasting rainfall-runoff, Journal of Environmental Sciences, 9: 419-432.
Cheema, S.B., G, Rasul., G, Ali and D.H, Kazmi. 2013. A Comparison of Minimum Temperature Trends with Model Projections, Pakistan Journal of Meteorology, 8(15): 39-52.
Ferreira, C. 2001. Gene Expression Programming: A New Adaptive Algorithm for Solving Problems, Complex Systems, forthcoming.
Hassan, A., S, Shamsudin and S, Harun. 2014. Application of SDSM and LARS-WG for simulating and downscaling of rainfall and temperature. Theor Appl Climatol, 116: 243-257.
Hay, L., R, Wilby and G, Leavesley. 2000. A comparison of delta change and downscaled GCM scenarios for three mountain.
Hofmann, T. 2001. Unsupervised learning by probabilistic latent semantic analysis. Machine learning, 42.1: 177-196.
IPCC.1995. In: Watson, R.T., Zinyowera, M.C., Moss, R.H. Eds., Impacts, Adaptations and Mitigation of Climate Change: Scientific-Technical Analyses, Cambridge University Press, UK p. 878.
IPCC. 2001. In: Watson, R.T., Zinyowera, M.C., Moss, R.H., Dokken, D.J., Eds., Special Report on The Regional Impacts of Climate Change, An Assessment of Vulnerability, Cambridge University Press, UK.
Jang J.S.R. 1992. Fuzzy  controllers  based  on  temporal  back  propagation,  IEEE  Trans. Neural  Netw,  3: 714–723.
Karakus, M and B, Tutmez. 2006.  Fuzzy  and  multiple  regression  modeling  for  evaluation of  intact  rock  strength  based  on  point  load,  Schmidt  hammer  and  sonic  velocity, Rock  Mech,  Rock  Eng, 39: 45–57.
Karamouz, M., M, Fallahi., S, Nazif and M, Rahimi Farahan. 2009. Long Lead Rainfall Prediction Using Statistical Downscaling and Arti_cial Neural Network Modeling, Transaction A: Civil Engineering, 16(2): 165-172.
Kazmi, D.H., G, Rasul., J, Li and S.B, Cheema. 2014. Comparative Study for ECHAM5 and SDSM in Downscaling Temperature for a Geo-Climatically Diversified Region, Pakistan, Applied Mathematics, 5: 137-143.
Kendall, M.G. 1975. Rank Correlation Measures, Charles Griffin, London.
Khalili, K., M.N, Tahoudi., R, Mirabbasi and F, Ahmadi. 2016. Investigation of spatial and temporal variability of precipitation in Iran over the last half century, Stochastic environmental research and risk assessment, 30(4): 1205-1221.
Raji, M., M. N, Tahroudi., F, Ye and J, Dutta. 2022. Prediction of heterogeneous Fenton process in treatment of melanoidin-containing wastewater using data-based models. Journal of Environmental Management, 307: 114518.
Sajjad Khan, M., P, Coulibaly and Y, Dibike. 2006. Uncertainty analysis of statistical downscaling methods, Journal of Hydrology, 319: 357–382.
Salas, J.D., J.W, Delleur., V, Yevjevich W.L, Lane. 1980. Applied Modeling of Hydrologic Time Series, Water resource Publications, P. O. Box 2841. Littleton, Colorado .80161, U.S.A, 484 P.
Swinscow, T.D.V and M.J, Campbell. 2002. Statistics at Square One London: BMJ Publication, 106 P.