کاربرد و ارزیابی توانایی توابع مفصل در تخمین بارش روزانه در شرق حوضه دریاچه ارومیه

آب و توسعه پایدار

مقاله 5، دوره 9، شماره 4 - شماره پیاپی 26، اسفند 1401، صفحه 37-46   

نوع مقاله: پژوهشی کاربردی

شناسه دیجیتال (DOI): 10.22067/jwsd.v9i4.2206.1156

نویسندگان

محمد خالدی علمداری¹؛ ابوالفضل مجنونی هریس^{* 2}؛ احمد فاخری فرد³

¹دانشجوی دکتری تخصصی آبیاری و زهکشی، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

²دانشیار، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

³استاد، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

چکیده

استفاده از سری داده‌های صحیح و بدون داده گم‌شده، شرط لازم برای انجام بیشتر مطالعات آماری و هیدرولوژیکی است. با توجه‏ به اهمیت بارش به‌عنوان یکی از مهمترین متغیرهای اقلیمی و هیدرولوژیکی، در این پژوهش به‌منظور پیش‌‌بینی بارش روزانه تبریز، از توابع مفصل استفاده شده و نتایج آن با روش‌های هوشمند و آمار کلاسیک مقایسه شد. به‌منظور پیش‌بینی بارش در ایستگاه تبریز، از داده‌های بارش ایستگاه‌های سراب، سهند و مراغه نیز به‌عنوان ایستگاه‌های کمکی استفاده شد. بر اساس نتایج به‌دست آمده در بین همه روش‌های مورد بررسی، روش مدل درخت با مقادیر RMSE معادل 3/14 میلی‌متر و MAD معادل 2/13 میلی‌متر و روش جنگل تصادفی با مقادیر RMSE معادل 5/18 میلی‌متر و MAD معادل 3/04 میلی‌متر به‌ترتیب بیشترین و کمترین دقت را در برآورد رویدادهای بارش دارند. در میان مفصل‌های ارشمیدسی، تابع گامبل مقادیر RMSE و MAD به ترتیب 3/89 و 2/51 میلی‌متر می‌باشد. از آنجایی‏‏که محدوده خطای داده‌های تخمینی به‏دست آمده از توابع مفصل بسیار نزدیک به سایر روش‌ها می‌باشد؛ باتوجه‏به قابلیت‌های توابع مفصل از جمله توانایی اعمال شرط‏های متعدد و ماهیت احتمالاتی آن، که رفتار پدیده را در نظر می‌گیرد، می‌توان گفت در شرایط مشابه توانایی توابع مفصل در برآورد داده‌های گمشده پدیده‌های احتمالاتی مانند بارندگی مناسب است.

کلیدواژه‌ها

تحلیل احتمالاتی؛ داده‌های گمشده؛ پیش‌بینی؛ مفصل‌های ارشمیدسی

مراجع

منهاج، م‌.ب. 1384. مبانی شبکه‌های عصبی (هوش محاسباتی) جلد اول. مرکز نشر دانشگاه صنعتی امیرکبیر. چاپ سوم. تهران، ایران.
Abebe A.J., Solomatine D.P. and Venneker R.G. 2000. Application of adaptive fuzzy rule-based models for reconstruction of missing precipitation events. Hydrological Sciences Journal, 45(3): 425-36.
Armanuos A.M., Al-Ansari N. and Yaseen Z.M. 2020. Cross assessment of twenty-one different methods for missing precipitation data estimation. Atmosphere, 11(4): 389.
Bessa R.J., Miranda V., Botterud A., Zhou Z. and Wang J. 2012. Time-adaptive quantile-copula for wind power probabilistic forecasting. Renewable Energy, 1;40(1): 29-39.
Boser B.E., Guyon I.M. and Vapnik V.N. 1992. A training algorithm for optimal margin classifiers. InProceedings of the fifth annual workshop on Computational learning theory. Pennsylvania, Pittsburgh, USA.
Breiman L. 2001. Random forests. Machine learning, 45(1): 5-32.
Genest C. and Rivest L.P. 1993. Statistical inference procedures for bivariate Archimedean copulas. Journal of the American statistical Association, 88(423): 1034-43.
Hassani B.K. 2016. Dependencies and relationships between variables. Scenario Analysis in Risk Management. Springer International  Publishing Switzerland.
Huang J.J., Lee K.J., Liang H. and Lin W.F. 2009. Estimating value at risk of portfolio by conditional copula-GARCH method. Insurance: Mathematics and economics, 45(3): 315-24.
Jarvis C., Darbyshire R., Eckard R., Goodwin I. and Barlow E. 2018. Influence of El Niño-Southern oscillation and the Indian Ocean Dipole on winegrape maturity in Australia. Agricultural and Forest Meteorology, 248: 502-10.
Kao S.C. and Govindaraju R.S. 2010. A copula-based joint deficit index for droughts. Journal of Hydrology, 380(1-2): 121-34.
Kotsiantis S. and Pintelas P. 2004. Combining bagging and boosting. International Journal of Computational Intelligence, 1(4): 324-33.
Kuan C.M. and White H. 1994. Artificial neural networks: An econometric perspective. Econometric reviews, 13(1): 1-91.
Kuss M. 2006. Gaussian process models for robust regression, classification, and reinforcement learning. Ph. D. dissertation, Technische Universität Darmstadt, Darmstadt, Germany.
Liu Z., Zhou P., Chen X. and Guan Y. 2015. A multivariate conditional model for streamflow prediction and spatial precipitation refinement. Journal of Geophysical Research: Atmospheres, 120(19): 10-16.
Lu X.F., Lai K.K. and Liang L. 2014. Portfolio value-at-risk estimation in energy futures markets with time-varying copula-GARCH model. Annals of operations research, 219(1): 333-57.
Manning C., Widmann M., Bevacqua E., Van Loon A.F., Maraun D. and Vrac M. 2018. Soil moisture drought in Europe: a compound event of precipitation and potential evapotranspiration on multiple time scales. Journal of Hydrometeorology, 19(8): 1255-71.
Nguyen-Huy T., Deo R.C., An-Vo D.A., Mushtaq S. and Khan S. 2017. Copula-statistical precipitation forecasting model in Australia’s agro-ecological zones. Agricultural water management, 191: 153-72.
Nguyen-Huy T., Deo R.C., Mushtaq S., An-Vo D.A. and Khan S. 2018. Modeling the joint influence of multiple synoptic-scale, climate mode indices on Australian wheat yield using a vine copula-based approach. European journal of agronomy, 98: 65-81.
Paulhus J.L. and Kohler M.A. 1952 Interpolation of missing precipitation records. Monthly Weather Review, 80(8): 129-33.
Srinivas S., Menon D. and Meher Prasad A. 2006. Multivariate simulation and multimodal dependence modeling of vehicle axle weights with copulas. Journal of transportation engineering, 132(12): 945-55.
Talebizadeh M., Morid S., Ayyoubzadeh S.A. and Ghasemzadeh M. 2010. Uncertainty analysis in sediment load modeling using ANN and SWAT model. Water Resources Management, 24(9): 1747-61.
Teegavarapu R.S. and Chandramouli V. 2005. Improved weighting methods, deterministic and stochastic data-driven models for estimation of missing precipitation records. Journal of hydrology, 312(1-4): 191-206.
Vapnik V.N. 1998. Statistical learning theory. Wiley, New York.
Vapnik V. 1995. The nature of statistical learning theory. Springer, New York.
Young K.C. 1992. A three-way model for interpolating for monthly precipitation values. Monthly Weather Review, 120(11): 2561-9.
Yuan C. and Yamagata T. 2015. Impacts of IOD, ENSO and ENSO Modoki on the Australian winter wheat yields in recent decades. Scientific reports, 5(1): 1-8.
Zhang L. and Singh V.P. 2014. Trivariate flood frequency analysis using discharge time series with possible different lengths: Cuyahoga river case study. Journal of Hydrologic Engineering, 19(10): 05014012.
Zscheischler J. and Seneviratne S.I. 2017. Dependence of drivers affects risks associated with compound events. Science advances, 3(6): e1700263.