ارزیابی مدل های داده محور برای تخمین رطوبت نسبی، مطالعه موردی باجگاه، ایران

ارزیابی مدل های داده محور برای تخمین رطوبت نسبی، مطالعه موردی باجگاه، ایران

رضا پیرایی1 علی محمدی2 سید حسین افضلی3

1) دانشجو دکتری رشته مهندسی و مدیریت منابع آب، بخش عمران و محیط زیست، دانشکده مهندسی، دانشگاه شیراز، شیراز، ایران. پست الترونیکی:
2) دانشجو کارشناسی ارشد رشته مهندسی و مدیریت منابع آب، دانشکده مهندسی عمران و محیط زیست، دانشگاه تربیت مدرس، تهران، ایران. پست الترونیکی:
3) دانشیار مهندسی عمران، بخش عمران و محیط زیست، دانشکده مهندسی، دانشگاه شیراز، شیراز، ایران. پست الترونیکی:

کد IOI مقاله : XGFB-KHGGC
محل انتشار : نهمین کنگره سالانه بین المللی عمران، معماری و توسعه شهری(9icsau.ir)
چکیده :
    متغیرهای هواشناسی، به ویژه رطوبت نسبی، نقشی اساسی در تأثیرگذاری بر جنبه‌های مختلف زندگی انسان و محیط‌های طبیعی، کشاورزی، مدیریت منابع آب و سیستم‌های انرژی‌های تجدیدپذیر دارند. با توجه به پیچیدگی موجود در توسعه یک معادله برای پیش‌بینی رطوبت نسبی بر اساس متغیرهای هواشناسی که نیاز به دانش روابط اساسی بین آنها دارد، این مطالعه بر مزیت مدل‌های یادگیری ماشین، که متکی بر معادلات صریح نیستند، تاکید می‌کند. با توجه به مطالعات محدود در این حوزه، در این مطالعه از شش مدل یادگیری ماشین برای پیش‌بینی میانگین رطوبت نسبی روزانه، با استفاده از داده‌های یک الی سه روز قبل (بر اساس تحلیل همبستگی پیرسون) از متغیرهای میانگین رطوبت نسبی، حداقل دما و حداکثر دما به عنوان متغیرهای ورودی، استفاده می‌شود. مدل‌های یادگیری ماشین، که شامل مدل‌های شبکه عصبی مصنوعی، رگرسیون درخت تصمیم گیری، رگرسیون جنگل تصادفی، رگرسیون آدابوست، رگرسیون تقویت کننده گرادیان و رگرسیون تقویت کننده گرادیان پیشرفته می‌باشند، بر اساس عملکردشان با استفاده از مجموعه داده جامع 30 ساله ایستگاه هواشناسی باجگاه در ایران ارزیابی شدند. این ارزیابی شامل استفاده از شش معیار آماری متمایز، یعنی RMSE، MAE، MARE، MXARE، R2، و NSE بود که عملکرد قابل ستایش همه مدل‌های مورد استفاده در این مطالعه را برجسته کرد. بر اساس یک روش رتبه‌بندی، مدل‌های رگرسیون جنگل تصادفی، رگرسیون تقویت کننده گرادیان پیشرفته و رگرسیون تقویت کننده گرادیان به طور مشترک به رتبه برتر دست یافتند، به طوری که رگرسیون جنگل تصادفی بهترین عملکرد را در داده‌های آموزش، رگرسیون تقویت کننده گرادیان پیشرفته بهترین عملکرد را در داده‌های آزمون، و رگرسیون تقویت کننده گرادیان عملکردی قوی در هر دو مجموعه داده نشان داد. . پس از این سه مدل برتر، مدل شبکه عصبی مصنوعی جایگاه بعدی را کسب کرد. در سوی دیگر، مدل‌های رگرسیون درخت تصمیم گیری و رگرسیون آدابوست عملکرد ضعیف تری را در مقایسه با مدل های دیگر از خود نشان دادند. این مطالعه پتانسیل مدل‌های یادگیری ماشین را در پیش‌بینی رطوبت نسبی برجسته می‌کند و پژوهش بیشتر در آینده بر روی مدل‌های جایگزین را تشویق می‌کند.

کلمات کلیدی : هیدرولوژی یادگیری ماشین متغیرهای هواشناسی رطوبت نسبی تقویت کننده گرادیان پیشرفته