پژوهش‌های تغییرات آب و هوایی

پژوهش‌های تغییرات آب و هوایی

مدل‌سازی بارش روزانه و ماهانه تبریز با استفاده از مدل‌های یادگیری جمعی و رگرسیون درخت تصمیم

نوع مقاله : مقاله پژوهشی

نویسندگان
محمدتقی ستاری 1
راضیه باقری 2
کیمیا شیرینی 3
پویا اللهویردی پور 4
1 دانشیار، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران
2 دانشجوی کارشناسی‌ارشد، گروه علوم و مهندسی آب ، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران
3 دانشجوی دکتری، گروه مهندسی کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران
4 دانشجوی دکتری، گروه علوم و مهندسی آب دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران
10.30488/ccr.2024.433394.1192
چکیده
بارش یکی از مهم­ترین مولفه­های هیدرولوژی و هواشناسی است که پیش­بینی مقادیر آن در زمینه­های مختلفی همچون کشاورزی، شرب، صنعت، بهداشت، اقلیم و محیط­زیست از اهمیت ویژه‌ای برخوردار است. با توجه به اینکه وقوع، نوع و میزان بارش به عوامل بسیار زیادی بستگی دارد، مدل‌سازی و پیش­بینی مقدار بارش همواره دارای پیچیدگی‌ها و چالش‌های فراوان بوده است. در این پژوهش از داده­های پارامترهای هواشناسی ایستگاه همدیدی تبریز شامل دماهای کمینه، بیشینه و میانگین، رطوبت نسبی میانگین، فشار هوای میانگین، سرعت باد بیشینه و بارش در مقیاس‌های زمانی روزانه و ماهانه در یک دوره 35 ساله (2020-1986) استفاده شد. از روش‌های یادگیری ماشین و یادگیری جمعی شامل شبکه عصبی مصنوعی پرسپترون چندلایه (MLP)، جنگل تصادفی (RF)، آدابوست (AB)، تقویت گرادیان (GB)، درختان اضافی (ET) و مدل رگرسیون درخت تصمیم (DTR) برای مدل‌سازی بارش استفاده شد. بدین منظور 70 درصد از داده­ها برای آموزش و 30 درصد از داده‌ها نیز برای آزمون مدل‌ها در نظر گرفته شدند. برای ارزیای مدل‌های مورد استفاده، از معیارهای آماری ضریب همبستگی (R)، جذر میانگین مربعات خطاها (RMSE)، میانگین خطای مطلق (MAE) و کلینگ گوپتا (KGE) استفاده شد. مطابق نتایج این تحقیق در مقیاس روزانه مدل MLP با 993/0R=، 184/0RMSE= میلی‌متر، 184/0MAE= میلی‌متر و 82/0KGE= و مدل ET با 986/0R=، 324/0RMSE= میلی‌متر، 324/0MAE= میلی‌متر و 75/0KGE= و در مقیاس ماهانه به‌ترتیب مدل MLP با 999/0R=، 153/0RMSE= میلی‌متر، 222/0MAE= میلی‌متر و 88/0KGE= و مدل ET با 981/0R=، 266/0RMSE= میلی‌متر، 197/0MAE= میلی‌متر و 71/0KGE= از بیشترین دقت و کمترین خطا برخوردارند. به‌طورکلی نتایج این پژوهش نشان‌دهنده عملکرد بسیار مناسب مدل­های یادگیری ماشین و یادگیری جمعی در مدل‌سازی بارش در هر دو مقیاس زمانی روزانه و ماهانه است.
کلیدواژه‌ها
بارش
جنگل تصادفی
درختان اضافی
یادگیری جمعی
شبکه‌های عصبی مصنوعی
موضوعات

عنوان مقاله English

Modeling Daily and Monthly Rainfall in Tabriz using Ensemble Learning Models and Decision Tree Regression

نویسندگان English

Mohammad Taghi Sattari 1
Razieh Bagheri 2
Kimia Shirirni 3
Pouya Allahverdipour 4
1 Associate Professor, Department of Water Engineering, Faculty of Agriculture, University of Tabriz, Tabriz, Iran,
2 M.Sc student, Department of Water Engineering, Faculty of Agriculture, University of Tabriz, Tabriz, Iran
3 Ph.D Student, Department of Computer Engineering, Faculty of Electrical and Computer Engineering, University of Tabriz, Tabriz, Iran
4 Ph.D Student, Department of Water Engineering, Faculty of Agriculture, University of Tabriz, Tabriz, Iran,
چکیده English

Precipitation is one of the most important components of hydrology and meteorology, and the prediction of its values are important in various fields, such as agriculture and the environment. Considering that the occurrence of precipitation and its amount depend on many factors, the modeling of precipitation has many complications. In this research, the meteorological data of Tabriz synoptic station including minimum, maximum and average temperature, relative humidity, air pressure, maximum wind speed and precipitation in the period of 1986-2020 were used. The machine learning and ensemble learning methods including Multi Layer Perceptron (MLP), Random Forest (RF), Ada Boost (AB), Gradient Boost (GB), Extra Trees (ET) and Decision Tree Regression (DTR) models were used for rainfall modeling. 70% of the data was used for training and 30% for testing the models. The statistical criteria of Coefficient of Correlation (R), Root Mean Square Error (RMSE), Mean Absolute Error (MAE) and Kling-Gupta Efficiency (KGE) were used to evaluate the models. According to the results, on daily scale the MLP model with R=0.993, RMSE=0.184 mm, MAE=0.184 mm and KGE=0.82, and the ET model with R=0.986, RMSE=0.324 mm, MAE=0.324 mm and KGE=0.75, respectively, and on monthly scale the MLP model with R=0.999, RMSE=0.153 mm, MAE=0.222 mm KGE=0.88, and the ET model with R=0.981, RMSE=0.266 mm, MAE=0.197 mm and KGE=0.71, respectively, have the highest accuracy. Overall, the results show that machine learning and ensemble learning models perform well in predicting daily and monthly rainfall.

کلیدواژه‌ها English

Artificial Neural Networks
Ensemble Learning
Extra Trees
Precipitation
Random Forest
  1. اللهویردی پور، پ. و ستاری، م. ت. 1402. مقایسه عملکرد روش کلاسیک رگرسیون خطی چندگانه و روش‌های داده‌کاوی نوین در مدل‌سازی بارش سالانه (مطالعه موردی: شهر اهواز). مدل‌سازی و مدیریت آب و خاک. 3(2): 142-125.
  2. امیدوار، ک. و نبوی زاده، م. 1393. پیش‌بینی بارش روزانه استان کرمان با شبکه‌های عصبی مصنوعی (مطالعه موردی: کرمان، بافت و میانده جیرفت). جغرافیا و توسعه ناحیه‌ای. 12(2): 214-197.
  3. پورصالحی، ف. شهیدی، ع. و خاشعی سیوکی، ع. 1398. مقایسه‌ی مدل‌های درخت تصمیم M5 و الگوریتم نزدیک‌ترین همسایگی K در پیش‌بینی بارش ماهانه (مطالعه موردی: ایستگاه سینوپتیک بیرجند). آبیاری و زهکشی ایران. 13(5): 1293-1283.
  4. حلبیان، ا.ح. و دارند، م. 1391. پیش‌بینی بارش اصفهان با استفاده از شبکه‌های عصبی مصنوعی. تحقیقات کاربردی علوم جغرافیایی (علوم جغرافیایی). 12(26)، 63-47.
  5. خلیلی، ن. خداشناس، س. ر. داوری، ک. و موسوی بـایگی، م. 1389. پیش‌بینی بارش روزانه با استفاده از شـبکه‌های عصبی مصنوعی (مطالعه موردی: ایستگاه سینوپتیک مشهد). پژوهش‌های آبخیزداری. 23(4): 15-7.
  6. ستاری، م. ت. و نهرین، ف. 1392. پیش‌بینی مقادیر حداکثر بارش روزانه با استفاده از سیستم‌های هوشمند و مقایسه آن با مدل درختی M5؛ مطالعه موردی ایستگاه‌های اهر و جلفا. آبیاری و آب ایران. 4(2): 98-83.
  7. شرفی، م، صمدیان فرد، س. و هاشمی، س. 1399. پیش‌بینی بارش ماهانه با استفاده از مدل‌های برنامه‌ریزی ژنتیک و ماشین بردار پشتیبان. سامانه‌های سطوح آبگیر باران. 8(4)، 71-63.
  8. صالحوند، ا. گندمکار، ا. و فتاحی، ا. 1399. پیش‌آگاهی بلند مدت بارش با استفاده از سیستم شبکه‌ی عصبی مطالعه‌ی موردی: حوضه‌ی کارون بزرگ. تحقیقات کاربردی علوم جغرافیایی. 20(59 ): 97-81.
  9. عبداله پورآزاد، م. ستاری، م. ت. و میرعباسی نجف آبادی، ر. 1395. پیش‌بینی جریان روزانه رودخانه اهرچای با استفاده از مدل قوانین M5 و مقایسه آن با شبکه‌های عصبی مصنوعی المانی (ENN). علوم و مهندسی آبخیزداری ایران. 10(33): 18-11.
  10. قلی‌زاده، م. ح. و دارند، م. 1389. پیش‌بینی بارش ماهانه با استفاده از شبکه‌های عصبی مصنوعی (مورد: تهران). پژوهش‌های جغرافیای طبیعی (پژوهش‌های جغرافیایی). 42(71): 63-51.
  11. مظفری، غ. شفیعی، ش. و همتی، ح. 1394. پیش‌بینی بارش ماهانه ایستگاه سینوپتیک کرمانشاه با استفاده از مدل ترکیبی شبکه عصبی و موجک. پژوهش‌های حفاظت آب و خاک. 22(6): 152-135.
  12. مهتابی، ق. تاران، فرشید. و مظفری، س. 1397. پیش‌بینی وقوع بارش روزانه با استفاده از داده‌های هواشناسی روزهای قبل (مطالعه موردی: شهر اصفهان). جغرافیای طبیعی. 11(39): 114-99.
  13. Cutler, A., Cutler, D.R. and Stevens, J.R. 2012. Random forests. Ensemble machine learning: Methods and applications. Springer. 157-175.
  14. Gebre, G. 2023. Application of hybrid machine learning-based ensemble techniques for rainfall-runoff modeling. Earth Science Informatics. 16(3): 2475-2495.
  15. Géron, A. 2022. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. " O'Reilly Media, Inc.".
  16. Geurts, P., Ernst, D. and Wehenkel, L. 2006. Extremely randomized trees. Machine learning, 63: 3-42.
  17. Ghosh, S., Gourisaria, M.K., Sahoo, B. and Das, H. 2023. A pragmatic ensemble learning approach for rainfall prediction. Discover Internet of Things. 3(1):13.
  18. Han, J. Kamber, M. and Pei, J. 2012. Data mining: concepts and techniques. 3th Ed. Morgan Kaufmann Publishers, San Francisco, California, United States of America, 744 pp.
  19. Haykin, S. 1999. Neural Networks: A Comprehensive Foundation. 2nd Edition, Prentice- Hall, Englewood Cliffs, NJ.
  20. Jain, S. K., Das, A., and Srivastava, D. K. 1999. Application of ANN for reservoir inflow prediction and operation. Journal of Water Resources Planning and Management. 125(5): 263-271.
  21. Mekanik, F., Imteaz, M.A., Gato-Trinidad, S. and Elmahdi, A. 2013. Multiple regression and Artificial Neural Network for long-term rainfall forecasting using large scale climate modes. Journal of Hydrology. 503: 11-21.
  22. Singh, K.K., Pal, M. and Singh, V.P. 2010. Estimation of mean annual flood in Indian catchments using backpropagation neural network and M5 model tree. Water resources management. 24: 2007-2019.
  23. Song, Y.Y. and Ying, L.U. 2015. Decision tree methods: applications for classification and prediction. Shanghai archives of psychiatry. 27(2): 130.
  24. Taylor, K. E. 2001. Summarizing multiple aspects of model performance in a single diagram. Journal of geophysical research, Atmospheres, 106(D7): 7183-7192.
  25. Yin, L. 2023. Forecasting Sector Rotation of A-share Market Using LSTM and Random Forest. Advances in Economics, Management and Political Sciences. 49: 109-123.