۱۵۹۵۰پ
per
استفاده از تکنیک‌های داده‌کاوی برای پیش‌صبینی بلند مدت فرآیندهای هیدروکلیماتولوژیکی با استفاده از دمای سطح دریاها
/امیر مولاجو
: عمران
، ۱۳۹۵
چاپی
کارشناسی ارشد
عمران - گرایش محیط زیست
۱۳۹۵/۱۰/۱۵
تبریز
پیش‌صبینی بلند مدت بیشینه بارش ماهانه برای اهداف مختلفی نظیر برآورد سیلاب، رواناب، برنامه‌صریزی آبیاری و مدیریت حوضه‌صهای آبریز دارای اهمیت زیادی است .تحقیقات گذشته نشان داده صاست که ادغام پدیده‌صهای آب و هوایی اقیانوسی-اتمسفری مانند دمای سطح دریاهاص (SST)در مدل‌صهای هیدروکلیماتولوژیکی می‌صتواند اطلاعات مفیدی در زمینه متغیرهای آن‌صها فراهم کند .در این پایان‌صنامه استفاده از دو تکنیک داده‌صکاوی‌ص)درخت تصمیم و قوانین انجمنی (جهت استخراج وابستگی‌صهای بین چندین حد آستانه از بارش ماهانه‌ص ایستگاه‌صهای سینوپتیک تبریز و کرمانشاه و دمای تفاضلی سطح آب دریاهای سیاه، مدیترانه و سرخ پیشنهاد و ارائه شده است .دو گام اصلی مدل‌صسازی در این مطالعه، طبقه‌صبندی دمای تفاضلی سطح آب دریاها و انتخاب موثرترین گروه‌صها و همچنین استخراج الگوهای پنهان نهفته در میان داده‌صها بود که از تکنیک‌صها و الگوریتم‌صهای درخت تصیم جهت طبقه‌صبندی و انتخاب موثرترین گروهها و از قوانین انجمنی برای کشف الگوها و اطلاعات پنهان نهفته در میان انبوه داده‌صهای مشاهداتی استفاده شد .جهت بررسی دقت قوانین، شاخص‌صهای اعتماد و صعود قوانین انجمنی محاسبه شدند و برای حد آستانه‌صهای مختلف بارش ماهانه و همچنین زمان‌صهای تاخیر مختلف مورد مقایسه قرار گرفتند .شاخص‌صهای محاسبه شده نشانگر عملکرد قابل اعتماد روش ترکیبی پیشنهادی برای پیش‌صبینی رویدادهای شدید با مقادیر حد آستانه بالا بود .همچنین نتایج نشان داد، بین هر یک از دمای سطوح آب دریاهای سیاه، مدیترانه و سرخ با بیشینه بارش ماهانه ایستگاه‌صهای سینوپتیک تبریز و کرمانشاه همبستگی نسبی وجود دارد به طوری‌ص که شاخص اعتماد بین هر یک از دمای سطح پهنه‌صهای آبی فوق، با بیشینه بارش ماهانه ایستگاه‌صهای سینوپتیک تبریز و کرمانشاه، به ترتیب بالاتر از ۷۰ درصد و ۶۰ درصد برآورد شد .همچنین نتایج حاکی از آن بودند که موقعیت جغرافیایی ایستگاه‌صها و نحوه توزیع بارش در آن‌صها بر روی مقادیر شاخص‌صهای اعتماد و صعود قوانین انجمنی اثرگذار هستند
Long-term forecasting of maximum monthly precipitation is very important for a variety purposes such as flood and runoff forecasting, irrigation scheduling and watershed management. The previous researches have shown that the incorporation of the oceanic-atmospheric climate phenomena such as Sea Surface Temperature (SST) into hydro-climatic models could provide important predictive information about hydro-climatic variability. In this thesis, the application of two data mining techniques (decision tree and association rules) was offered to discover affiliation between several thresholds of monthly precipitation (MP) values of Tabriz and Kermanshah synoptic stations (located in Iran) and detrend SSTs of the Black, Mediterranean and Red Seas. Two major steps of the modeling in this study were the classification of detrend SST data and selecting the most effective groups and extracting hidden predictive information involved in the data. The technique of decision tree which can identify the good traits from a data set for the classification purpose were used for classification and selecting the most effective groups and association rules were employed to extract the hidden predictive information from the large observed data. To examine the accuracy of the rules, confidence and lift measures were calculated and compared for different thresholds of precipitation at different lag times. The computed measures confirm reliable performance of the proposed hybrid data mining method to forecast extreme precipitation events considering higher threshold values and the results show a relative correlation between the Mediterranean, Black and Red Sea detrend SSTs and maximum MP of Tabriz and Kermanshah synoptic stations so that the confidence between the threshold of 35 of MP values and the detrend SST of seas is higher than 70 for Tabriz synoptic station and 60 percents for Kermanshah synoptic station. It was also shown that the geographical location of synoptic stations and the distribution of precipitation data affect the confidence and lift measures of the rules and forecasting outcomes
مولاجو، امیر
نورانی، وحید، استاد راهنما
ستاری، محمدتقی، استاد راهنما
سیاه و سفید
نمایه‌سازی قبلی
