محمدتقی ستاری

در کلیه مطالعات اقلیمی نیاز به داده های صحیح و قابل اعتماد می باشد. روش های متعددی برای بازسازی داده ها وجود دارند که بسته به نوع داده ها و خصوصیات آب و هوائی هر منطقه تعدادی از آن ها مورد استفاده قرار می گیرد. در این تحقیق بخشی از داده های بارش ماهانه ایستگاه سینوپتیک شهر سراب در استان آذربایجان شرقی به صورت تصادفی داده های فرضی در نظر گرفته شد. سپس برای بررسی میزان کارایی، روش های متعدد بازسازی داده ها، هفت روش کلاسیک آماری و مدل درختی ام 5 بعنوان یکی از روش های کارآمد داده کاوی و به کمک داده های بارش ایستگاه های مجاور تخمین گردید. نتایج نشان داد از بین روش های کلاسیک آماری بررسی شده به ترتیب روش های انتساب چندگانه، نسبت نرمال و رگرسیون خطی چند متغیره دارای نتایج نسبتا دقیق تر با خطاهای کمتری می باشند. بررسی کلی نتایج نشان داد که مدل درختی ام 5 با توسعه قوانین اگر-آنگاه با ارائه چهار رابطه خطی ساده با آماره های (ضریب همبستگی برابر 974/0، ضریب نش-ساتکلیف برابر 948/0، ریشه میانگین مربعات خطا برابر 11/5 (میلی متر) و میانگین خطای مطلق برابر با 189/4 (میلی متر) دقیق ترین نتیجه را در بین تمامی روش های بررسی شده در این مطالعه ارائه می دهد. لذا با توجه به سادگی روند مدل سازی، کاربردی و قابل فهم بودن و داشتن دقت بالا استفاده از آن برای تخمین مقادیر گم شده بارش ماهانه پیشنهاد می گردد.

به سبب اهمیت فراوان انتقال رسوب در استفادة بهینه از منابع آبی و طراحی سدها، دست یابی به روشی با دقت مناسب برای تخمین میزان بار رسوبی معلق رودخانه ها بسیار ضروری است. در این پژوهش میزان بار رسوبی معلق رودخانة صوفی چای به وسیلة روش های نوین داده کاوی شامل رگرسیون فرایند گاوسی و رگرسیون بردار پشتیبان که با بهره گیری از توابع کرنل توانایی بسیاری در حل مسائل غیرخطی دارند، تخمین زده شد، سپس، با مقادیر به دست آمده از روش های تجربی منحنی سنجة رسوب و روش فصلی مقایسه شد. روش رگرسیون فرایند گاوسی با ارائة شاخص های آماری ضریب همبستگی (R) برابر 977/0، ضریب همبستگی نش- ساتکلیف (N-S) برابر 794/0، میانگین خطای مطلق (MAE) برابر 4278/77 تن در روز، و ریشة میانگین مربعات خطا (RMSE) برابر 7455/698 تن در روز دارای بیشترین دقت و کمترین خطا از میان روش های بررسی شده در این مطالعه است. نتایج به دست آمده نشان داد هر دو روش داده کاوی بررسی شدة رگرسیون فرایند گاوسی و رگرسیون بردار پشتیبان به مراتب نتایج بهتری نسبت به منحنی سنجة رسوب و روش فصلی ارائه می کنند.

بارش یکی از مهم ترین اجزای چرخه آب است و در سنجش خصوصیات اقلیمی هر منطقه، نقش بسیار مهمی ایفا می کند. تخمین مقادیر بارش ماهانه برای اهداف مختلفی چون، برآورد سیلاب، خشکسالی، برنامه ریزی آبیاری و مدیریت حوضه های آبریز، اهمیت زیادی دارد. پیش بینی بارش در هر منطقه ای نیازمند وجود داده های دقیق اندازه گیری شده ای مانند، رطوبت، دما، فشار، سرعت باد و غیره است. محدودیت هایی چون، نبود اطلاعات کافی در مورد مقدار بارش در مقیاس های زمانی و مکانی و همچنین پیچیدگی روابط بین پارامترهای هواشناسی مرتبط با بارش، موجب می شود محاسبه این پارامتر با استفاده از روش های معمول به طور دقیق انجام نگیرد. در این پژوهش، ابتدا سناریوهای مختلفی از ترکیب پارامترهای هواشناسی در مقیاس ماهانه برای منطقه اهر در استان آذربایجان شرقی، به منزله ورودی شبکه های عصبی مصنوعی و مدل درختی 5M تعریف شد و سپس با در نظر گرفتن دو آماره R و RMSE بهترین سناریو برای هر یک از این دو مدل انتخاب شد. یافته ها نشان داد که هر دو روش نتایج نسبتاً دقیقی را برای پیش بینی ماهانه منطقه ارائه می کنند، ولی از آنجاکه مدل درختی 5M روابط خطی ساده ای در اختیار کاربر می گذارد، این روش کاربردی تر است.

بارش یکی از مهم ترین مولفه های هیدرولوژی و هواشناسی است که پیش بینی مقادیر آن در زمینه های مختلفی همچون کشاورزی، شرب، صنعت، بهداشت، اقلیم و محیط زیست از اهمیت ویژه ای برخوردار است. با توجه به اینکه وقوع، نوع و میزان بارش به عوامل بسیار زیادی بستگی دارد، مدل سازی و پیش بینی مقدار بارش همواره دارای پیچیدگی ها و چالش های فراوان بوده است. در این پژوهش از داده های پارامترهای هواشناسی ایستگاه همدیدی تبریز شامل دماهای کمینه، بیشینه و میانگین، رطوبت نسبی میانگین، فشار هوای میانگین، سرعت باد بیشینه و بارش در مقیاس های زمانی روزانه و ماهانه در یک دوره 35 ساله (2020-1986) استفاده شد. از روش های 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 مدل سازی بارش استفاده شد. بدین منظور 70 درصد از داده ها برای آموزش و 30 درصد از داده ها نیز برای آزمون مدل ها در نظر گرفته شدند. برای ارزیای مدل های 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= میلی متر، 184/0MAE= میلی متر و 82/0KGE= و مدل ET با 986/0R=، 324/0RMSE= میلی متر، 324/0MAE= میلی متر و 75/0KGE= و در مقیاس ماهانه به ترتیب مدل MLP با 999/0R=، 153/0RMSE= میلی متر، 222/0MAE= میلی متر و 88/0KGE= و مدل ET با 981/0R=، 266/0RMSE= میلی متر، 197/0MAE= میلی متر و 71/0KGE= از بیشترین دقت و کمترین خطا برخوردارند. به طورکلی نتایج این پژوهش نشان دهنده عملکرد بسیار مناسب مدل های یادگیری ماشین و یادگیری جمعی در مدل سازی بارش در هر دو مقیاس زمانی روزانه و ماهانه است.