مطالب مرتبط با کلیدواژه

الگوریتم CART


۱.

ارزیابی کارایی مدل درخت تصمیم در پیش بینی بارش ایستگاه سینوپتیک کرمانشاه(مقاله علمی وزارت علوم)

کلیدواژه‌ها: پیش بینی بارش درخت تصمیم الگوریتم CART ایستگاه سینوپتیک کرمانشاه

حوزه های تخصصی:
تعداد بازدید : ۱۷۲۷ تعداد دانلود : ۹۴۰
بارش یکی از اجزای اصلی بیلان منابع آب بوده و پیش بینی آن می تواند در مدیریت تامین آب کشاورزی مدیریت منابع آب موجود در مخازن سدها و ... مفید باشد. درخت تصمیم به عنوان یکی از مدل های پیش بینی، کارایی زیادی در این زمینه دارد و به تولید قانون می-انجامد. در این پژوهش جهت رسیدن به اهداف از ارزیابی کارایی مدل درخت تصمیم جهت پیش بینی بارش در ایستگاه سینوپتیک کرمانشاه و از الگوریتم CART (Classification And Regression Tree) به عنوان یکی از انواع درختان تصمیم رگرسیونی جهت پیش بینی بارش 30 ماه بعد استفاده شده است. داده های مورد استفاده این پژوهش مربوط به آمار ماهیانه بارندگی، تبخیر، رطوبت نسبی، دمای ماکزیمم، دمای متوسط و سرعت باد در دوره آماری(1389- 1349) می باشد. سپس جهت ارزیابی درخت های ایجاد شده در این پژوهش از معیارهای آماری مختلف استفاده شده است که در نهایت نتایج نشان می دهد در ایستگاه سینوپتیک کرمانشاه درخت تصمیم گیری رگرسیونی، مدلی نسبتاً کارا در پیش بینی بارش می باشد که استفاده از میانگین متحرّک نسبت به سایر حالات منجر به افزایش چشمگیر کارایی مدل درخت تصمیم می شود و در صورت تعدیل دامنه تغییرات داده های ورودی قادر است با ضریب اطمینان بالایی میزان بارش را 30 ماه قبل از وقوع برآورد نماید که در شبیه سازی های صورت گرفته، زمانی که از میانگین متحرّک پنج ساله داده ها برای اجرای مدل استفاده گردیده، ترکیب بارش قبلی، دمای ماکزیمم به عنوان مناسب ترین حالت شناسایی شده است.
۲.

ارزیابی کارایی مدل درخت تصمیم رگرسیونی در پیش بینی خشکسالی نمونة موردی: ایستگاه سینوپتیک سنندج(مقاله علمی وزارت علوم)

کلیدواژه‌ها: سنندج درخت تصمیم پیش بینی بارش الگوریتم CART

حوزه های تخصصی:
  1. حوزه‌های تخصصی جغرافیا جغرافیای طبیعی آب و هواشناسی
  2. حوزه‌های تخصصی جغرافیا فنون جغرافیایی روش های کمی در جغرافیا
تعداد بازدید : ۱۱۵۵ تعداد دانلود : ۸۵۳
برای مطالعة خشکسالی روش های مختلفی وجود دارد. روش تحلیل داده های بارندگی، جزو عمومی روش های تحلیل خشکسالی به شمار می رود؛ لذا پیش بینی دقیق و پیش از وقوع بارش می تواند شرایط را برای ارزیابی وضعیت خشکسالی فراهم نماید. هدف این پژوهش، بررسی تأثیر پیش پردازشِ داده های بارش ماهانة ایستگاه سینوپتیک سنندج بر عملکرد مدل درخت تصمیم در پیش بینی خشکسالی در ایستگاه سینوپتیک سنندج می باشد. در این پژوهش از الگوریتم CART به عنوان یکی از انواع درختان تصمیم رگرسیونی جهت پیش بینی بارش 12 ماه بعد استفاده شده و جهت ارزیابی درخت های ایجاد شده از معیارهای آماری مختلف استفاده شده است. داده های 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 می دهد که در ایستگاه سینوپتیک سنندجدرخت تصمیم گیریرگرسیونی،مدلینسبتاًکارادرپیش بینی خشکسالی می باشد؛ به طوری که درشبیه سازی هایصورتگرفته،زمانیکهاز میانگینمتحرّکپنجسالة داده هابرایاجرایمدلاستفادهگردید، ترکیب بارشقبلی ودمایحداکثر بهعنوانمناسب ترینحالت با مقدار خطای 06/0 شناساییشده و اعمال میانگین متحرک روی داده های 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.
۳.

ارزیابی کارایی مدل درختان تصمیم گیری در برآورد رسوبات معلق رودخانه ای مطالعه موردی: حوضه رودخانه میمه(مقاله علمی وزارت علوم)

کلیدواژه‌ها: داده کاوی درخت تصمیم گیری رسوب معلق الگوریتم CART منحنی سنجه رسوب رودخانه میمه

حوزه های تخصصی:
تعداد بازدید : ۸۴۵ تعداد دانلود : ۵۵۷
به دلیل اهمیت و نقش پدیده انتقال رسوب در مبحث حوضه های آبریز، از جمله ساماندهی رودخانه ها که به منظور مهار فرسایش و رسوب گذاری و یا تثبیت بستر و دفع سیلاب انجام می گیرد، آگاهی و تعیین میزان رسوب حمل شده توسط رودخانه از دیرباز مورد توجه قرار گرفته است. هدف از انجام این تحقیق، تعیین کارایی مدل درختان تصمیم گیری (به عنوان یکی از روش های داده کاوی) در برآورد رسوبات معلق رودخانه میمه است. داده های مورد استفاده شامل دبی رسوب و دبی آب است که به صورت متناظر برداشت شده بود و همچنین بارش و دبی های روزانه مربوط به دوره آماری از سال 1347-1346 تا سال 1389-1388. پس از پردازش داده ها، تعداد 554 رکورد که آمار دبی و رسوب متناظر آنها موجود بود، انتخاب و نتایج به دست آمده با روش مرسوم منحنی سنجه رسوب مقایسه شد. برای مقایسه نتایج از معیارهای آماری R، RMSE، MAE، r 2و Bias  استفاده شده است. سپس برای بررسی تأثیر بارش ها و دبی های روزانه در دقت برآورد رسوب توسط مدل درختی، در گام دوم داده های مربوط به بارش و دبی های روزانه به مدل اضافه گردید. بر اساس نتایج به دست آمده، مدل درخت تصمیم گیری نتایج قابل قبولی را درجهت شبیه سازی بار معلق در ایستگاه مورد مطالعه ارائه کرده است. به طوری که بر اساس معیارهای  RMSE،MAE، r 2و Bias درخت تصمیم گیری نسبت به منحنی سنجه رسوب با خطای کمتری رسوبات را برآورد کرده است. همچنین نتایج بیانگر این مطلب است که ورود داده های بارش و دبی روزانه تغییر زیادی در نتایج ایجاد نکرده و میزان رسوبات با دبی های متناظر بیشترین همبستگی را دارد