پیش بینی بارش روزانه ایستگاه سردشت با استفاده از الگوریتم های تنبل و مدل های درختی

با توجه به توزیع ناهمگون بارش، پیش بینی وقوع آن یکی از راه کارهای اولیه و اساسی برای پیش گیری از بلایای احتمالی و خسارات ناشی از آن است. با توجه به بالا بودن میزان بارندگی در شهرستان سردشت، روی آوردن مردم این شهرستان به کشاورزی در سال های اخیر و عدم استفاده از مدل های طبقه بندی در ایستگاه مورد مطالعه، پیش بینی هرچه دقیق تر پارامتر بارش روزانه امری ضروری است. از طرفی دیگر، با این که عملکرد مطلوب الگوریتم های تنبل و مدل های درختی باعث افزایش استفاده از آن ها برای پیش بینی پدیده های مختلف هیدرولوژیکی شده اما این الگوریتم ها در شهرستان سردشت مورد استفاده قرار نگرفته اند. لذا در این پژوهش، چهار مدل Kstar، M5P، الگوریتم یادگیری با وزن دهی محلی و جنگل تصادفی برای پیش بینی بارش روزانه ایستگاه سردشت به کار گرفته شده است. در این مطالعه از هفت پارامتر ورودی میانگین دما، حداکثر دما، رطوبت نسبی متوسط​​، حداکثر رطوبت نسبی، سرعت باد متوسط، حداکثر سرعت باد و ساعات آفتابی که هم زمان با بارش روزانه بودند، برای مدل ها استفاده شد. مقایسه و ارزیابی بین پارامترهای ورودی نشان داد که پارامتر ساعات آفتابی ازجمله مهم ترین پارامترهای ورودی بوده که نقش قابل توجهی در دقت پیش بینی مدل های مورد استفاده داشته است. نتایج به دست آمده نشان داد که مدل درختی M5P در سناریوی هفتم بهترین عملکرد را با بیش ترین ضریب همبستگی (734/0 میلی متر بر روز) نسبت به دیگر مدل ها داشته است. هم چنین، سناریوی هفتم عملکرد بالایی نسبت به بقیه سناریوها از خود نشان داد. لذا می توان گفت که افزایش ورودی مدل ها تا حدودی رابطه مستقیمی با دقت آن ها دارد. به طورکلی می توان گفت که مدل درختی M5P برای مدل سازی و پیش بینی بارش روزانه شهرستان سردشت مناسب بوده و برای استفاده های بعدی پیشنهاد می شود.