پیش بینی نمایه خشکسالی SPI به روش های رگرسیون بردار پشتیبان و خطی چندگانه

سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 164

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_WSRCJ-6-4_001

تاریخ نمایه سازی: 4 آبان 1400

چکیده مقاله:

خشکسالی پدیده­ای طبیعی است که به علت برهم کنش عوامل مختلف هواشناسی، دارای فرآیند پیچیده­ای بوده و در همه شرایط اقلیمی و در تمام مناطق کره زمین به وقوع می پیوندد. لذا پیش بینی نمایه های خشکسالی و ارزیابی زمانی آن ها، یکی از راه های موثر در مدیریت بحران خشکسالی و تدوین طرح هایی به منظور کاهش اثرات آن به نظر می رسد. در پژوهش حاضر، برای پیش بینی نمایه خشکسالی بارش استاندارد شده (SPI) در ایستگاه سینوپتیک تبریز در بازه زمانی سال های ۱۳۵۸ تا ۱۳۹۱، از روش های رگرسیون بردار پشتیبان و رگرسیون خطی چندگانه استفاده گردید. بدین منظور، برای پیش بینی نمایه SPI در دوره های ۳، ۶، ۹، ۱۲، ۲۴ و ۴۸ ماهه از شش ترکیب متفاوت ورودی متشکل از مقادیر متناظر قبلی همان نمایه استفاده گردید. نتایج حاصل از تحلیل پارامترهای آماری نشان داد که هر دو روش مورد مطالعه دقت مناسبی در پیش بینی نمایه های خشکسالی داشته اند ولی با این وجود، روش رگرسیون بردار پشتیبان در پیش بینی نمایه های SPI-۶، SPI-۹ و SPI-۲۴ به ترتیب با داشتن جذر میانگین مربعات خطای ۴۹۸۵/۰، ۴۳۴۰/۰ و ۲۴۲۷/۰ عملکرد بهتری در مقایسه با رگرسیون خطی چندگانه داشته است. ولی در پیش بینی نمایه های SPI-۳، SPI-۱۲ و SPI-۴۸، روش رگرسیون خطی چندگانه خطای نسبی کم تری را نشان داد. با این وجود، می توان چنین نتیجه گیری نمود که هر دو روش مورد مطالعه شامل رگرسیون بردار پشتیبان و خطی چندگانه پیش بینی های مناسبی از نمایه های خشکسالی داشته اند و می توانند برای مدیریت عواقب ناشی از پدیده مذکور، با اطمینان قابل قبولی مورد استفاده قرار گیرند.

کلیدواژه ها:

پیش بینی ، تحلیل آماری ، خشکسالی ، نمایه بارش استاندارد شده

نویسندگان

سعید صمدیان فرد

عضو هیات علمی دانشگاه تبریز

اسماعیل اسدی

عضو هیات علمی دانشگاه تبریز

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • اسدپور اصل، ر. و ستاری، م. ۱۳۹۴. پیش­بینی عمق حفره ...
  • اژدری مقدم، م.، خسروی، م.، حسین پور نیکنام، ح. و ...
  • جلالی لیچایی، م. و نبی بیدهندی، م. ۱۳۸۵. مقایسه روش ...
  • حسن زاده، ی.، عبدی کردانی، ا. و فاخری فرد، ا. ...
  • حسین پور نیکنام، ح.، اژدری مقدم، م. و خسروی، م. ...
  • صادقی نیا، ع.، حجازی زاده، ز.، حمیدیان پور، م. و ...
  • عابدینی، ا.، موسوی بایگی، م. و انصاری، ح. ۱۳۹۳. کاربرد ...
  • علیزاده، ا. ۱۳۹۴. اصول هیدرولوژی کاربردی. چاپ بیست و هشتم. ...
  • عیوضی، م.، مساعدی، ا. و دهقانی، ا.ا. ۱۳۸۸. مقایسه روش ...
  • قبایی سوق، م. و مساعدی، ا. ۱۳۹۲. پایش خشکسالی گندم ...
  • قمقامی، م. و بذرافشان، ج. ۱۳۹۱. پیش آگاهی وضعیت خشکسالی ...
  • کماسی، م.، اعلمی، م.ت. و نورانی، و. ۱۳۹۲. پیش بینی ...
  • معروفی، ص.، ختار، ب.، صادقی فر، م.، پارسافر، ن. و ...
  • میرعباسی نجف آبادی، ر.، فاخری فرد ا.، دین پژوه، ی. ...
  • نیک بخت شهبازی، ع.، زهرایی، ب. و ناصری، م. ۱۳۹۱. ...
  • هاشمی نسب، آ. بذرافشان، ج. و نازی قمشلو، آ. ۱۳۹۴. ...
  • Abramowitz, M. and Stegun I.A. ۱۹۶۵. Handbook of Mathematical Functions ...
  • Abrishamchi, A., Mehdikhani, H., Tajrishy, M., and Marino, M.A. ۲۰۰۷. ...
  • American Geophysical Union, Fall Meeting, Abstract Number: PA۳۳A-۱۰۲۱ ...
  • Balan, B., Mohaghegh, S., Ameri, S. ۱۹۹۵. State - of ...
  • Belayneh, A. and Adamowski, J. ۲۰۱۲. Standard precipitation index drought forecasting using ...
  • Boser, B.E., Guyon, I.M. and Vapnik, V.N. ۱۹۹۲. A training ...
  • Cios KJ, Pedrycz W, Swiniarski RW, Kurgan LA. ۲۰۰۷. Data ...
  • Danandeh Mehr, A., Kahya, E. and Özger, M. ۲۰۱۴. A ...
  • Edwards, D.C. and McKee, T.B. ۱۹۹۷. Characteristics of ۲۰th century ...
  • Jones, P.D. and Moberg, A. ۲۰۰۳. Hemispheric and large-scale surface ...
  • Kao, S.C., and Govindaraju, R.S. ۲۰۱۰. A copula-based joint deficit ...
  • Khadr, M. ۲۰۱۶. Forecasting of meteorological drought using Hidden Markov ...
  • Khan, S., Gabriel, H. F. and Rana, T. ۲۰۰۸. Standardized ...
  • Kisi, O. and Cimen, M. ۲۰۱۱. A wavelet-support vector machine ...
  • McKee, T. B., Doesken, N. J. and Kleist, J. ۱۹۹۳. ...
  • Morid, S., Smakhtin,V., and Bagherzadeh, K. ۲۰۰۷. Drought forecasting using ...
  • Nalbantis, I., and Tsakiris, G. ۲۰۰۹. Assessment of hydrological drought ...
  • Olson D.L., Delen D. ۲۰۰۸. Advanced Data Mining Techniques. USA: ...
  • Shukla, S.H., and Wood, A.W. ۲۰۰۸. Use of a Standardized ...
  • Sims, A. P., Nigoyi, D. S., and Raman, S. ۲۰۰۲. ...
  • Szalai, S., Szinell, C. S., and Zoboki, J. ۲۰۰۰. Drought ...
  • Vapnik, V. ۱۹۹۵. The Nature of Statistical Learning Theory. Springer, ...
  • Vapnik, V.N. ۱۹۹۸. Statistical Learning Theory. Wiley, New York. p. ...
  • Vicente-Serrano, S. M. and Lopez-Moreno, J. I. ۲۰۰۵. Hydrological response ...
  • Witten, I.H., Frank, E. and Hall, M.A. ۲۰۰۵. Data Mining: ...
  • نمایش کامل مراجع