نویسندگان
1 استادیار گروه مهندسی آب،دانشکدهی کشاورزی،دانشگاه تبریز
2 استادیار گروه مهندسی آب، دانشکدهی کشاورزی، دانشگاه شهرکرد
3 کارشناس ارشد مهندسی عمران- آب.
چکیده
در کشورهای خشک و نیمه خشکی مانند ایران، پیشبینی دقیق خشکسالیها، نقش بسیار مهمی در مقابله با بحران ناشی از خشکسالی و مدیریت سیستمهای منابع آب ایفا میکند. با توجه به اینکه شاخص بارندگی استاندارد شده (SPI) به عنوان یکی از مناسبترین شاخص برای تحلیل خشکسالی شناخته شده است، در این تحقیق، جهت پیشبینی SPI از مدل درختی M5 استفاده گردید. بدین منظور از دادههای بارش ماهانه ایستگاه همدیدی مراغه در یک دورهی 25 ساله (89-1365) استفاده و شاخص SPI در مقیاس 6 ماهه استخراج گردید. نـتایج نشان داد که شهرسـتان مراغه در دو دهـهی اخیر با خشکسالیهای پی در پی و شدیدی مواجه بوده است. سپس با استفاده از مدل درختی M5 اقدام به پیشبینی مقادیر شاخص SPI در مقیاس زمانی 6 ماهه برای 1 تا 12 ماه آینده گردید. نتایج به دست آمده نشان داد که میزان شاخص SPI در مقیاسهای زمانی گذشته بیشترین تأثیر را نسبت به پارامترهای دیگر در پیشبینی شاخص بارش استاندارد شده دارد و با افزایش طول دورهی پیشبینی از دقت مدت کاسته میشود. به طوری که در محاسبه SPI6 برای یک ماه آینده مقدار ضریب همبستگی حدود 94/0 به دست آمد که این مقدار برای 12 ماه آینده به حدود 40/0 کاهش پیدا کرد. با این وجود نتایج نشان داد که مدل درختی M5 با ارایهی روابط خطی کاربردی و قابل فهم از دقت و توانایی نسبتاً بالایی در پیشبینی خشکسالی برخوردار است.
کلیدواژهها
عنوان مقاله [English]
Application of M5 Tree Model in Forecasting Drought (Case Study, Maragheh, Iran)
نویسندگان [English]
- Mohammadtaghi Sattari 1
- Rasoul Mirabbai Najafabadi 2
- Masood Alimohammadi 3
چکیده [English]
Received: 2015.08.16
Accepted: 2016.11.18
Mohammadtaghi Sattari[1]*
Rasoul Mirabbasi Najafabadi[2]
Masood Alimohammadi[3]
Abstract
Accurate prediction of droughts in arid and semi-arid countries, like Iran, have important role in water resources management and designing appropriate plans for coping with drought consequences. Since the standardized precipitation index (SPI) is known as a suitable index for drought analysis, in this study, we used the M5 rule tree model for forecasting SPI values. For this purpose, the monthly precipitation data of Maragheh synoptic station were used during a 25-year period for calculating SPI values at 6-month time scale (SPI-6). The results indicated that the Maragheh region was faced with successive and severe droughts in recent two decays. In the next step, the SPI-6 values were forecasted for next 1 to 12 months using M5 rule tree model. The results showed that the SPI-6 values in previous time steps had the most effect on forecasting the next SPI-6 values, and the forecasting accuracy decreases with increasing prediction length. So the correlation coefficient of forecasting SPI-6 for next month was obtained 0.94 which this value was decreased to about 0.40 for forecasting SPI-6 for next 12 months. However, the M5 rule tree model provides more understandable, applicable and simple linear relation in forecasting droughts and shows relatively good performance and accuracy.
[1]- Assistant Professor, Department of Water Engineering, University of Tabriz (Corresponding Autor), Email:mail:mtsattar@gmail.com.
[2]- Assistant Professor, Department of Water Engineering, Shahrekord University.
[3]- MSc of Civil Engineering.
کلیدواژهها [English]
- Drought
- Data Mining
- M5 rule tree model
- Maragheh
مقدمه
تأثیر خشکسالی بر بخشهای مختلف، یکسان نمیباشد. در شرایطی که منطقهای با کاهش محسوس بارندگی مواجه شده باشد، این امکان وجود دارد که تأثیر آن بر منابع آب هنوز ملموس نشده و یا کاهش منابع آبهای سطحی تأثیری بر تولیدات کشاورزی نداشته باشد. از اینرو وجود نیازها و زمینههای کاری مختلف موجب شده است که محققان با تمرکز بر انواع مختلف کمبودها، خشکسالیها را طبقهبندی کنند.براین اساس خشکسالیها به چهار طبقهی عمدهی خشکسالی شامل هواشناختی، کشاورزی، هیدرولوژی و اقتصادی- اجتماعی تقسیم شدهاند (دراکوپ و همکاران[1]، 1980). برای مثال، خشکسالیهای هواشناسی بر اساس کمبود در بارش، خشکسالیهای هیدرولوژیکی بر اساس کمبود در جریان رودخانه و خشکسالیهای کشاورزی بر اساس کمبود در رطوبت خاک تعریف میشوند. خشکسالی اقتصادی- اجتماعی هنگامی بروز مییابد که میزان تقاضای یک کالای اقتصادی بیشتر از عرضهی آن باشد که این عدم تعادل (میان عرضه و تقاضا) میتواند ناشی از کمبود منابع آب در ارتباط با وضع هوا میباشد. در این نوع خشکسالی تنها مقدار منابع آب مورد توجه قرار نمیگیرد، بلکه تقاضا برای آب نیز مدنظر قرار خواهد گرفت. محققان اغلب برای ارزیابی خشکسالیها از شاخصهای خشکسالی مختلف که از متغیرهای هیدروکلیماتولوژی مشتق شدهاند، استفاده میکنند و تصمیمگیری در مورد مدیریت خشکسالیها بر اساس این شاخصها صورت میپذیرد (میشرا و سینگ، 2010).تاکنون شاخصهای زیادی توسط محققان برای پایش خشکسالی بسط و گسترش یافته است.یکی از شاخصهای معروف که به طور گسترده در سراسر دنیا استفاده میشود، شاخص بارش استاندارد شده[2] (SPI)، میباشد که در این مطالعه نیز مورد بررسی قرار گرفته است. این شاخص دارای مزایای زیادی از جمله سادگی محاسبات مـیباشد. چرا که SPI بر پایهی بارش قرار دارد، در حالیکه شاخصهای دیگر پیچیدهتر بوده و محاسبهی آنها مستلزم فرآیندهای طولانیتری است. مزیت دیگر این شاخص انعطافپذیری زمانی آن است، چرا که در هر مقیاس زمانی قابل محاسبه میباشد. این ویژگی باعث شده است تا SPI قابلیت پایش توأم اقلیمی، هیدرولوژیکی و کشاورزی را داشته باشد.
تاکنون روشهای متعددی توسط محققان برای پیشبینی شاخصهای خشکسالی ارائه شده است که از جمله میتوان به زنجیره مارکوف (پائولو همکاران[3]، 2005) و مدل های لوگ خطی (موریرا و همکاران[4]، 2008) اشاره نمود. در سالهای اخیر، استـفاده از روشهای دادهکاوی بسیار مورد توجه محققان علوم مختلف از جمله مهندسان آب قرار گرفته است.در حال حاضر، دادهکاوی مهمترین فناوری جهت بهرهبرداری مؤثر از دادههای حجیم است و اهمّیت آن رو به فزونی است (ستاری و همکاران، 2012a).
باتاچاریا و سولماتین[5] (2005) در مطالعهای کاربرد شبکهی عصبی مصنوعی و مدل درختی M5 در پیشبینی منحنی دبی- اشل (منحنی سنجهی آب) در رودخانهی Bhagirathi واقع در کشور هند را مورد بررسی قرار دادند. در این تحقیق، مقایسهی مدلهای معمولی آماری دبی- اشل با روش شبکهی عصبی مصنوعی و مدل درختی M5 نشان داد که روش شبکهی عصبی مصنوعی و مدل درختی M5 قابلیت بهتری در پیشبینی منحنی دبی- اشل دارا میباشند. یورهکلی و همکاران[6] (2012) با استفاده از روش تصمیمگیری درختی، خشکسالی منطقهای فصلی و سالانه را با استفاده از دادههای سری بارندگی تجمعی برای 5 دورهی مرجع (4 دورهی فصلی و 1 دورهی سالیانه) از 17 ایستگاه در حوضهی Cekerek ترکیه بر اساس شاخص SPI مورد بررسی قرار دادند. نتایج نشان داد که تفاوت قابل ملاحظهای میان دستهبندی خشکسالی محاسبه شده با الگوریتم متعارف SPI و روش تصمیمگیری درختی وجود ندارد. ستاری و همکاران (2012a) با استفاده از روش تصمیمگیری درختی نسبت به تعیین دورههای خشکسالی ممکن در آنکارا اقدام نمودند. نتایج به دست آمده حاکی از آن است که استان آنکارا دارای آب و هوایی معتدل و خشک نزدیک به معتدل است و مقادیر بارش در تمام فصلها و به خصوص ماه ژانویه جهت تعیین خشکی باید در نظر گرفته شود. زهیری و همکاران (2014)عملکرد روش برنامهریزی ژنتیک خطی و مدل درختی M5 را در پیشبینی تخلیهی جریان در کانالهای مرکب را مورد مقایسه قرار دادند. آنها از دو مدل جدید LGP و M5 برای برآورد ظرفیت انتقال جریان استفاده کردند که مقایسهی تخلیهی جریان محاسبه شده و مشاهده شده نشان داد گرچه هر دو مدل دقت بالایی در پیشبینی ظرفیت جریان دارند، ولی مدل LGP با 989/0R= عملکرد بسیار خوبی داشته است.
بررسی منابع صورت گرفته نشان میدهد تاکنون در ایران، مطالعهای در زمینه کاربرد مدل درختی M5 در پیشبینی خشکسالی صورت نگرفته است. لذا هدف اصلی این مطالعه، پیشبینی خشکسالیهای شهرستان مراغه بر اساس شاخص SPI در مقیاس زمانی 6 ماهه با استفاده از مدلهای درختی M5 میباشد.
مواد و روشها
معرفی منطقهی مورد مطالعه و دادههای مورد استفاده
شهرستان مراغه در جنوب غربی استان آذربایجان شرقی قرار گرفته است. این شهرستان با وسعتی معادل 65/2185 کیلومتر مربع در گستره جغرافیایی 37 درجه و 1 دقیقه الی 37 درجه و 45 دقیقه عرض شمالی و 46 درجه و 9 دقیقه الی 46 درجه و 44 دقیقه طول شرقی واقع شده است. در شکل (1) موقعیت شهرستان مراغه در استان آذربایجانشرقی نشان داده شده است.
شکل (1) موقعیت جغرافیایی منطقهی مورد مطالعه و ایستگاههای بارانسنجی
در این مطالعه، به منظور محاسبه شاخص SPI از دادههای4 ایستگاه بارانسنجی و 1 ایستگاه سینوپتیک که دارای حداقل 25 سال (دورهی 89-1365) داده ماهانه میباشند، استفاده شد. از ایستگاه سینوپتیک اداره هواشناسی شهرستان مراغه که دارای دادههای هواشناسی با طول دورهی آماری مناسب میباشد، به عنوان ایستگاه منتخب در این تحقیق استفاده گردید.
جدول (1) ویژگیهای آماری دادههای بارش ماهانهی ایستگاه سینوپتیک مراغه در دورهی0 89-1365 برحسب میلی متر
میانگین |
کمینه |
بیشینه |
انحراف معیار |
56/25 |
0 |
5/137 |
4/27 |
شاخص بارش استاندارد شده (SPI)
اولین مرحلهی محاسبهی شاخص SPI، برازش تابع توزیع احتمالی گاما بر مقادیر بارندگی ایستگاه مورد نظر میباشد. پس از آن پارامترهای مربوط به این تابع برای هر مقیاس زمانی دلخواه برآورد میگردند. در نهایت، تابع توزیع تجمعی مربوطه محاسبه و به یک تابع توزیع تجمعی نرمال جهت محاسبه SPI تبدیل میشود. تابع چگالی توزیع گامای دو پارامتری به صورت زیر میباشد:
رابطهی (1) |
که در رابطهی (1) پارامتر شکل، b پارامتر مقیاس، مقدار بارش در مقیاس زمانی مشخص و تابع گاما میباشد که به صورت زیر تعریف میشود:
رابطهی (2) |
پس از برازش تابع گاما بر دادههای ایستگاه مورد مطالعه، احتمال تجمعی برای هر رویداد بارش در مقیاسهای زمانی مختلف به صورت زیر محاسبه میشود:
رابطهی (3) |
از آنجائی که تابع توزیع گاما در نقطه صفر تعریف نشده و مقادیر بارش ممکن است شامل داده صفر نیز باشند، لذا در این حالت احتمال تجمعی از رابطهی زیر محاسبه میگردد (اصغری تبریزی و همکاران، 2010):
رابطهی (4) |
که در آن احتمال وقوع بارش ماهانه صفر است. در مرحله بعد احتمال تجمعی به متغیر نرمال استاندارد با میانگین صفر و واریانس 1 تبدیل میگردد که برابر با شاخص SPI میباشد. در این مطالعه، برای تبدیل احتمال تجمعی گاما به متغیر نرمال استاندارد از روش پیشنهادی آبراموویتز و استگان[7] (1965) استفاده گردیـد. در این روش مقادیر متغیر نرمال اسـتاندارد ( ) به ترتیب زیر محاسبه میشود:
رابطهی (5) برای |
|
رابطهی (6) برای |
که در رابطههای فوق:
رابطهی (7) |
|
رابطهی (8) |
که در روابط فوق ، ، ، ، و به ترتیب برابر 515517/2، 802853/0، 010328/0، 432788/1، 119269/0 و 001308/0 میباشند.
طبقهبندی شدت خشکسالی بر اساس مقادیر SPI در جدول (2) آورده شده است. در این مطالعه، بر طبق توصیهی لوکاس و واسیلیادز[8] (2004) رویداد خشکسالی به صورت دورهای که در آن مقادیر SPI کمتر از صفر هستند، تعریف شد.
جدول (2) طبقهبندی خشکسالی بر اساس شاخص بارش استاندارد شده (مک کی و همکاران، 1993)
طبقات شاخص SPI |
توصیف وضعیت |
0 تا 99/0- |
خشکسالی ملایم |
1- تا 49/1- |
خشکسالی متوسط |
5/1-تا 99/1- |
خشکسالی شدید |
کمتراز2- |
خشکسالی بسیار شدید |
مدل درخت M5
اساس مدلهای درختی مبتنی بر روش تصمیم و غلبه کردن هستند. جایگزینی معادلهی رگرسیون خط به جای برچسب در گرهها، شیوهای است که در مدل M5 اجرا میشود که میتواند متغیرهای عددی پیوسته را پیشبینی یا برآورد کند. ساختار درخت تصمیمگیری شبیه یک درخت بوده که از ریشه[9]، شاخهها[10]، گرهها[11] و برگها[12] تشکیل یافته است. ساخت مدل درخت در دو مرحله انجام میگیرید. در مرحلهی اول، درخت تصمیم با انشعابسازی دادهها تشکیل میشود. معیار انشعاب در مدل M5 بیشینهسازی کاهش انحراف معیار دادهها در گره فرزند است. زمانی که امکان کاهش انحراف معیار دادههای گره فرزند میسر نبود، گره والد آن منشعب نشده و به گره پایانی و یا برگ رسیده است. فرمول مورد استفاده برای محاسبه کاهش انحراف معیار استاندارد عبارت است از (آلبرگ و همکاران[13]، 2012):
رابطهی (9) |
که در رابطهی (9)، T نشاندهندهی مجموعهای از نمونههاست که بر هر گره وارد شدهاند، Tiنشاندهندهی زیر مجموعهای از نمونههاست که i امین نتیجه تست پتانسیلی را دارند و Sd انحراف معیار استاندارد دادههای ورودی است و به صورت زیر محاسبه میشود (آلبرگ و همکاران، 2012).
رابطهی (10) |
در رابطهی (10)، Yi مقدار عددی ویژگی هدف نمونه i و N تعداد دادهها را نشان میدهد. از آنجایی که فرآیند انشعاب (دستهبندی) در گرههای فرزند دارای انحراف معیار کمتری نسبت به گرههای والد است، از این رو دارای نتیجه دقیقتری هستند و از همگنی بیشتری برخوردارند. پس از بررسی همه دستهبندیهای ممکن مدل M5 یکی را انتخاب میکند که دارای حداقل خطای مورد انتظار باشد. مرحلهی دوم طراحی مدل درختی، شامل کوچک کردن درخت بیش از حد بزرگ شده از طریق هرس کردن شاخهها و جایگزین شدن با توابع رگرسیون خطی است. در این مطالعه از ﻧﺮماﻓﺰار WEKA برای ایجاد مدل درختی استفاده شد (ویتن[14]، 2011). این نرمافزار مجموعهای از بروزترین اﻟﮕﻮریتمﻫﺎی یادﮔیری ﻣﺎﺷﯿﻨﯽ و اﺑﺰارﻫﺎﯾﯽ ﺑﺮای پیشﭘﺮدازش دادهها میباشد.
معیارهای ارزیابی
هدف از کاربرد معیارهای ارزیابی، برآورد میزان خطا در محاسبات و تعیین الگو و ساختاری است که کمترین میزان خطا را در پیشبینی شاخص SPI داشته باشد. در این مطالعه، از دو معیار ضریب همبستگی R و ریشهی میانگین مربعات خطا (RMSE) استفاده شده است که به صورت زیر محاسبه میشوند (میرعباسی و همکاران، 2012):
رابطهی (14) |
1– |
رابطهی (15) |
که در رابطهی فوق SPI: مقدار SPI مشاهداتی، مقدار SPI محاسباتی، میانگین مقدار SPI مشاهداتی و N تعداد سری دادهها می باشند. در مورد ضریب همبستگی R، هر چقدر به یک نزدیکتر باشد، مدل دارای دقّت بیشتری است و هرچه مقادیر خطای ریشهی میانگین مربعات RMSEکمتر و به صفر نزدیکتر باشد، میزان دقّت مدل بیشتر خواهد بود.
بحث و نتایج
در این مطالعه، از بین مقیاسهای مختلف شاخص SPI، مقیاس 6 ماهه مورد بررسی قرار گرفت و با مدل درختی پیشبینی شـد. دلیل انتخاب شاخص SPI در مقیاس 6 ماهه این است که این مـقیاس میان مدت میباشد و میتواند به طور متوسط شرایط رطوبتی منطقه را توصیف کند. شاخص SPI در مقیاسهای 3 و 6 ماهه برای ایستگاه مراغه در شکل (2) آورده شده است. با دقّت در این نمودارها مشخص میشود که با افزایش مقیاس زمانی در شاخص SPI از نوسانات آن کاسته شده و در مقابل در خشکسالیهای با دورهی طولانیتر، شدّت خشکسالی ممکن است بیشتر نشان داده شود. به عنوان مثال، در یک دورهی شش ماهه کمبود بارندگی، مقدار این شاخص در انتهای دورهی کمبارش بیش از مقدار آن در زمان مشابه و در مقیاس سه ماهه خواهد بود. چرا که در مقیاس شش ماهه اثر تمام دورهی کمبارش لحاظ ولی در مقیاس سه ماهه تنها اثر دو ماه ماقبل آخر در نظر گرفته میشود (شکل 2).
ـ تهیه الگوی ورودی مدلها
برای بدست آوردن پارامترهای مناسب برای ورود به مدل و حذف پارامترهای ناکارآمد میزان همبستگی پارامترها با شاخص SPIمورد نظر را به دست آورده و از پارامترهایی که همبستگی قابل قبولی با شاخص SPI داشتند، استفاده گردید. همچنین از مقدار همبستگی بین ورودیها با تأخیر در گامهای زمانی مختلف استفاده گردید (جدول 3).
(الف)
(ب)
شکل (2) شاخص SPI در مقیاسهای 3 و 6 ماهه برای ایستگاه مراغه (الف و ب).
ـ نتایج پیشبینی شاخص SPI6
در این مقاله به بررسی نتایج پیشبینی شاخص بارش استاندارد 6 ماهه برای زمانهای 1، 3، 6 و 12 ماهه پرداخته شده است. برای رعایت اصل خلاصهنویسی فقط نتایج مربوط به پیشبینی شاخص SPI6 برای 1 و 12 ماه آینده ارائه خواهد شد. بر اساس میزان همبستگی پارامترهای گوناگون با شاخص بارش استاندارد 6 ماهه، 7 سناریو به عنوان ورودی مدل درختی M5 تعریف گردید.
جدول (3) ضرایب همبستگی بین شاخص SPI6 و کل متغیرها
ضریب همبستگی |
پارامتر |
ضریب همبستگی |
پارامتر |
ضریب همبستگی |
پارامتر |
ضریب همبستگی |
پارامتر |
ضریب همبستگی |
پارامتر |
1726/0 |
R(t-4) |
1954/0 |
R(t-3) |
0301/0 |
tmean(t-2) |
017/0 |
R(t-1) |
3621/0 |
R(t) |
3439/0 |
Tmean (t-4) |
1993/0 |
tmean(t-3) |
1446/0 |
tmean(t-2) |
0219/0 |
tmean(t-1) |
1988/0 |
Tmean (t) |
3657/0 |
Rhmean (t-4) |
3889/0 |
Rhmean (t-3) |
1529/0 |
Rhmean (t-2) |
14/0 |
rhmean(t-1) |
4604/0 |
rhmean(t) |
2921/0 |
SPI1(t-4) |
2895/0 |
SPI1(t-3) |
2166/0 |
SPI1(t-2) |
0447/0 |
SPI1(t-1) |
3792/0 |
SPI1(t) |
3151/0 |
SPI3(t-4) |
2044/0 |
SPI3(t-3) |
0671/0 |
SPI3(t-2) |
3922/0 |
SPI3(t-1) |
7008/0 |
SPI3(t) |
0818/0 |
SPI6(t-4) |
333/0 |
SPI6(t-3) |
5973/0 |
SPI6(t-2) |
849/0 |
SPI6(t-1) |
1 |
SPI6(t) |
در جدول (3) نمادهای R نشاندهندهی بارش ماهانه، tmean نشاندهندهی دمای متوسط ماهانه، rhmean نشانگر رطوبت متوسط ماهانه و t گام زمانی است.
شکل (3) مدل درختی و روابط بهدست آمده از مدل درختی M5 جهت پیشبینی شاخص SPI6 برای یک ماه آینده
پیشبینی شاخص SPI6 برای 1 ماه آینده با استفاده از مدل درختی M5
برای پیشبینی 1 ماه آینده شاخص SPI6، سناریوی شمارهی 4 با 80 درصد دادهها به عنوان دادههای آموزشی و تولید 1 رابطهی خطی بهترین نتیجه را ارائه نمود. در شکل (3) نمودار درختی و روابط خطی ایجاد شده آورده شده است.
جدول (4) نتایج سناریوهای مختلف جهت پیشبینی شاخص SPI6 برای 1 ماه آینده با استفاده از مدل درختی M5
میزان خطا |
تعداد قوانین |
میزان آموزش(%) |
ورودی |
شماره سناریو |
|
RMSE |
R |
||||
136/1 |
0/0 |
1 |
66 |
R(t) |
S 1 |
1464/1 |
0/0 |
70 |
|||
1708/1 |
0/0 |
75 |
|||
272/1 |
0/0 |
80 |
|||
4435/0 |
9112/0 |
2 |
66 |
SPI6(t), R(t) |
S 2 |
45/0 |
9099/0 |
70 |
|||
4513/0 |
9142/0 |
75 |
|||
4298/0 |
9288/0 |
80 |
|||
4223/0 |
9185/0 |
2 |
66 |
SPI6(t), R(t), tmean(t-4), |
S 3 |
4281/0 |
9173/0 |
70 |
|||
4181/0 |
9248/0 |
75 |
|||
4351/0 |
9218/0 |
80 |
|||
4087/0 |
9238/0 |
2 |
66 |
SPI6(t), R(t), tmean(t-4), rhmean(t) |
S 4 |
4013/0 |
9282/0 |
70 |
|||
4014/0 |
9312/0 |
75 |
|||
3797/0 |
9393/0 |
80 |
|||
4014/0 |
9261/0 |
2 |
66 |
SPI6(t), R(t), tmean(t-4), rhmean(t), SPI6(t-1) |
S 5 |
4078/0 |
9253/0 |
70 |
|||
4088/0 |
9281/0 |
75 |
|||
3908/0 |
9347/0 |
80 |
|||
401/0 |
9262/0 |
2 |
66 |
SPI6(t), R(t), tmean(t-4), rhmean(t), SPI6(t-1), SPI3(t) |
S 6 |
4033/0 |
9278/0 |
70 |
|||
4091/0 |
9284/0 |
75 |
|||
4033/0 |
9342/0 |
80 |
|||
401/0 |
9262/0 |
2 |
66 |
SPI6(t), R(t), tmean(t-4), rhmean(t), SPI6(t-1), SPI3(t), SPI1(t) |
S 7 |
4033/0 |
9278/0 |
70 |
|||
4091/0 |
9284/0 |
75 |
|||
4033/0 |
9342/0 |
80 |
در شکل (4) نمودار پراکنش مقادیر مشاهداتی و محاسباتی SPI6برای 1 ماه آینده آورده شده است. همانگونه که مشاهده میشود، توافق خوبی بین مقادیر محاسباتی و مشاهداتی وجود دارد.
شکل (4) نمودار پراکنش SPI6 مشاهداتی و محاسباتی برای یک ماه آینده
پیشبینی شاخص SPI6 برای 12 ماه آینده با استفاده از مدل درختی M5
برای پیشبینی 12 ماه آینده شاخص SPI6، سناریوی ی 4 با 66 درصد دادهها بـه عنوان دادههای آموزشی و تولید یک رابطهی خطی بهترین نتیجه را ارائه نمود. در شکل (5) مدل درختی و روابط به دست آمده از مدل درختی M5 جهت پیشبینی شاخص SPI6 برای 12 ماه ارائه شده است. در معادلهی فوق که برای همه شرایط صادق میباشد، SPI6(t) دارای ضریب بالاتری نسبت به دیگر پارامترها میباشد که نشانهندهی تأثیر زیاد این پارامتر در پیشبینی شاخص SPI6 برای 12 ماه آینده دارد.
شکل (5) مدل درختی و روابط به دست آمده از مدل درختی M5 جهت پیشبینی شاخص SPI6 برای 12 ماه آینده
در شکل (6) نمودار پراکنش مقادیر مشاهداتی و محاسباتی SPI6برای 12 ماه آینده آورده شده است. همانگونه که مشاهده میشود، بهترین سناریو در این حالت نتوانسته است نتایج دقیقی را پیشبینی نماید و توافق قابل قبولی بین مقادیر محاسباتی و مشاهداتی وجود ندارد. به نظر میرسد دلیل آن این است که در پیشبینیهای بلندمدت باید از شاخص بلندمدت استفاده نمود، مثل SPI12 یا SPI24 و نمیتوان شاخص میان مدت SPI6 را برای دورهی بلندمدت به کار برد.
شکل (6) نمودار پراکنش SPI6 مشاهداتی و محاسباتی برای 12 ماه آینده
جدول (5) نتایج سناریوهای مختلف جهت پیشبینی شاخص SPI6 برای 12 ماه آینده با استفاده از مدل درختی M5
میزان خطا |
تعداد قوانین |
میزان آموزش(%) |
ورودی |
شماره سناریو |
|
RMSE |
R |
||||
1762/1 |
1137/0 |
2 |
66 |
R(t) |
S 1 |
2572/1 |
0885/0 |
70 |
|||
2912/1 |
0126/0 |
75 |
|||
3509/1 |
05/0- |
80 |
|||
1298/1 |
2665/0 |
1 |
66 |
SPI6(t), R(t) |
S 2 |
2038/1 |
2274/0 |
70 |
|||
2574/1 |
1544/0 |
75 |
|||
294/1 |
0537/0 |
80 |
|||
1061/1 |
3843/0 |
1 |
66 |
SPI6(t), R(t), tmean(t-4) |
S 3 |
1817/1 |
3586/0 |
70 |
|||
2536/1 |
2932/0 |
|
75 |
|
|
3056/1 |
2054/0 |
80 |
|||
1151/1 |
3984/0 |
1 |
66 |
SPI6(t), R(t), tmean(t-4), rhmean(t) |
S 4
|
1913/1 |
3704/0 |
70 |
|||
27/1 |
2887/0 |
75 |
|||
3519/1 |
1987/0 |
80 |
|||
1151/1 |
3984/0 |
1 |
66 |
SPI6(t), R(t), tmean(t-4), rhmean(t), SPI6(t-1) |
S 5 |
1913/1 |
3704/0 |
70 |
|||
27/1 |
2887/0 |
75 |
|||
3519/1 |
1987/0 |
80 |
|||
1151/1 |
3984/0 |
1 |
66 |
SPI6(t), R(t), tmean(t-4), rhmean(t), SPI6(t-1), SPI3(t) |
S 6 |
1913/1 |
374/0 |
70 |
|||
27/1 |
2887/0 |
75 |
|||
3519/1 |
1987/0 |
80 |
|||
1151/1 |
3984/0 |
1 |
66 |
SPI6(t), R(t), tmean(t-4), rhmean(t), SPI6(t-1), SPI3(t), SPI1(t) |
S 7 |
1913/1 |
3704/0 |
70 |
|||
27/1 |
2887/0 |
75 |
|||
3519/1 |
1987/0 |
80 |
نتیجهگیری
از آنجا که خشکسالی، بخشهای مختلف جامعه مانند منابع آب، کشاورزی، صنعت، اقتصاد، بهداشت و... را تحت تأثیر قرار میدهد، لذا پایش و ارزیابی این بلیهی طبیعی در آینده به منظور ارایهی برنامهریزی صحیح در بخشهای مختلف جامعه، امری لازم و ضروری است. در این تحقیق، میزان کارایی مدل درختی M5در پیشبینی خشکسالیهای شهرستان مراغه مورد ارزیابی قرار گرفت. بدین منظور از دادههای بارش ماهانهی ایستگاه مراغه در یک دورهی 25 ساله استفاده شد و شاخص SPI در مقیاس 6 ماهه استخراج گردید. سپس با استفاده از مدل درختی M5اقدام به پیش بینی مقادیر شاخص SPI در مقیاس زمانی 6 ماهه برای 1 تا 12 ماه آینده گردید. نتایج نشان داد که میزان شاخص SPI در مقیاسهای زمانی گذشته بیشترین تأثیر را نسبت به پارامترهای دیگر در پیشبینی شاخص بارش استاندارد شده دارد، ولی در بهترین سناریو، با افزایش طول دورهی پیشبینی از دقت نتایج کاسته میشود. براساس بررسی منابع انجام گرفته تاکنون مشخص گردید، مطالعهای مستقیم در زمینهی کاربرد مدل درختی M5 جهت پیشبینی خشکسالی انجام نیافته است و لذا مقالهای جهت مقایسه یافت نشد. ولیکن نتایج نشان داد این مطالعه از نظر دقت قابل مقایسه با مقالات ستاری و همکاران (a2013) در زمینهی پیشبینی تبخیر- تعرق مرجع در آنکارا و همچنین مقاله ستاری و همکاران (b2013) در زمینه پیشبینی دبی جریان در رودخانهی سوهو واقع در کشور ترکیه، میباشد. نهایتاً براساس نتایج به دست آمده مشخص گردید که مدل درختی M5 با ارائهی روابط خطی کاربردی و قابل فهم از توانایی نسبتاً بالایی در پیشبینی خشکسالی برخوردار است.