بررسي اثرات بارورسازي ابرها بر افزايش بارش به كمك روش رگرسيون تاريخي و تكنيك‌هاي داده‌كاوي

Investigation on Cloud Seeding Effects on Increasing of Precipitation Using Historical Regression and Data Mining Techniques

زهيري هاشم‌آبادي زهره Zoheyri Hashemabadi Zohreh

فتح‌زاده علي Fathzadeh Ali

پور‌محمدي سمانه Poormohammadi Samaneh , تقي‌زاده مهرجردي روح‌الله Ruhollah Taghizadeh Mehrjerdi Ruhollah

علوم و مهندسي آبخيزداري گرايش آبخيزداري شهري

كشاورزي و منابع طبيعي

مهندسي طبيعت

96ص

باروري ابرها , بارش مصنوعي , داده‌كاوي , رگرسيون تاريخي , بحران آب

Cloud seeding , Artificial precipitation , Data mining , Historical regression , Water crisis

يكي از مشكلات و معضلات قرن جديد مسئله كمبود آب است. ايران به ‌لحاظ موقعيت جغرافيايي و ويژگي‌هاي خاص اقليمي، از سرزمين¬هاي خشك و نيمه¬خشك جهان محسوب مي¬شود كه با محدوديت منابع آبي و مشكلات خشكسالي روبه‌رو است. تكنيك بارورسازي ابرها يكي از راهكارهاي عملي كاهش اثرات خشكسالي و افزايش منابع آبي مي¬باشد. در اين پژوهش به‌منظور ارزيابي نتايج باروري‌ ابرها، ابتدا با استفاده از مدل‌هاي رگرسيون تاريخي، رگرسيون چند ‌متغيره و تكنيك‌هاي داده‌كاوي نظير شبكه ‌عصبي‌ مصنوعي، K نزديك‌ترين همسايه، رگرسيون خطي، فرآيند گوسي، ماشين‌بردار پشتيبان و ماشين‌بردار پشتيبان تكاملي مقدار بارندگي در ماه‌هاي ژانويه، مارس، آوريل و دسامبر پيش‌بيني و سپس مورد ارزيابي قرار گرفت. بر اساس نتايج به دست آمده در روش رگرسيون تاريخي، در ماه ژانويه در سال‌هاي 2007 و 2013 درصد تغييرات بارش منفي به دست آمده است. در همين ماه بارش واقعي سال‌هاي 2009 و 2010 در بين محدوده اطمينان قرار گرفته‌ و نمي‌توان در مورد تغييرات بارش قضاوت كرد. ارزيابي ماه مارس نشان داد كه درصد تغييرات بارش در سال 2007 را نمي‌توان به‌طور يقين نتيجه باروري ابرها دانست. بارش سال‌هاي 2009 و 2013 به ترتيب 29/42 و 71/39 درصد افزايش داشته است. در ماه آوريل در سال‌هاي 2007 و 2010 تغييرات بارش را نمي‌توان به باروري ابرها نسبت داد. درصد افزايش بارش در طي سال‌هاي 2009 و 2013 به ترتيب 85/65 و 46/41 درصد مي‌باشد. در ماه دسامبر درصد افزايش بارش سال‌هاي 2006، 2009 و 2012 به ترتيب 15/62، 17/44 و 73/34 مي‌باشد. در مرحله بعد در هر ماه بين مدل‌هاي داده‌كاوي مقايسه‌ صورت گرفت و بهترين مدل جهت پيش‌بيني بارش تعيين شد كه نتايج آن نشان داد در ماه ژانويه مدل شبكه‌ عصبي ‌مصنوعي با ميزان جذر ميانگين مربعات خطا برابر 011/0 ميلي‌متر و هم‌بستگي 99/0 درصد دقيق‌ترين مدل مي‌باشد. در ماه مارس، آوريل و دسامبر مدل فرآيند گوسي با مقدار جذر ميانگين مربعات خطا به ترتيب 43/3، 4/3 و 76/2 ميلي‌متر به‌عنوان بهترين مدل جهت پيش‌بيني بارش تعيين شد. به‌طوركلي بر اساس نتايج به دست آمده مدل‌هاي داده‌كاوي در مقايسه با رگرسيون‌ تاريخي و رگرسيون چند ‌متغيره با دقت بالاتري ميزان بارندگي را پيش‌بيني مي‌كند. همچنين نتايج ارزيابي‌ها بيانگر اين بود كه با مدل‌هاي داده‌كاوي و رگرسيون چندمتغيره نمي‌توان درصد تغييرات بارش را مورد ارزيابي و قضاوت قرار‌ داد.

Water crisis is one of the main problems of the current century. Because of the geographical situation and specific climatological pattern, Iran is considered as one of the arid and semi-arid areas with a limited access to water resources and drought problems. One of the applied solutions for decrease of drought effects and increasing water resources is cloud seeding technique. In this research, in order to assessing the results of cloud seeding, the amount of rainfall in January, March, April and December were predicted and evaluated using historical regression, multivariate regression and data mining techniques such as artificial neural networks (ANN), K-nearest neighbor (KNN), linear regression (LR), Gaussian processes (GP), support vector machine (SVM), evolutionary support vector machine (ESVM).According to the results of historical regression method, the precipitation change percentage were negative for January in 2007 and 2013. In the same month, the actual precipitation in 2009 and 2010 were in the confidence limit and we can't judge the changes in precipitation. Evaluation of the March precipitation showed that it cannot be certainly stated that the changes in precipitation in 2007 is due of cloud seeding. The annual precipitation of 2009 and 20013 has been increased by 42.29 and 39.71 percent, respectively. Also, it cannot be stated that the changes in precipitation in April of 2007 and 2010 is due t cloud seeding. Increasing in precipitation during 2009 and 2013 are 65.85 and 41.46 percent, respectively. IN December, increasing in precipitation are 62.15, 44.17 and 34.73 in 2006, 2009 and 2012.In the next step, were compared between data mining models, and the best precipitation prediction model, was determined for each month. The results showed that the ANN model with the root mean square error of 0.011 mm and correlation coefficient of 0.99 percent is the most accurate method in January. Gaussian process model was the best model with root mean square error of 3.43, 3.4 and 2.76 mm for March, April and December, respectively. IN order to precipitation forecasting, data mining models have a higher accuracy in comparing to historical regression and multivariate regression. Evaluation of the results showed that the precipitation change percentage cannot be assessed using multivariate regression and data mining models.

3/5/2017 12:00:00 AM

54

NE17

خانم فتوحي