حمیدرضا دزفولیان

زمینه و هدف: بارندگی یکی از پدیدههای پیچیده طبیعی و از مهمترین اجزای چرخه آب بوده و در سنجش خصوصیات اقلیمی هر منطقه نشریه حفاظت منابع آب و خاک نقش بسیار مهمی ایفا می.کند شناخت میزان و روند تغییرات بارش به عنوان یکی از عناصر مهم ،هواشناسی از یک سو جهت داشتن مدیریت اثر بخش و برنامه ریزی دقیق تر برای بخشهای کشاورزی اقتصادی و اجتماعی و از سوی دیگر برای مطالعاتی مانند روانابها خشک سالی ها وضعیت آبهای زیرزمینی و سیلابها ضروری است. همچنین پیش بینی بارش در مناطق شهری تأثیر بسیار زیادی بر کنترل ترافیک جریان فاضلابها و فعالیتهای ساخت و ساز دارد. روش پژوهش هدف این مطالعه مقایسه دقت مدلهای کلاس بندی درخت تصمیم چاید (CHAID) درخت تصمیم C5، نیو بیزین (NB)، کوئست (Quest) و جنگل تصادفی) k نزدیکترین همسایگی (KNN) ماشین بردار پشتیبان (SVM) و شبکه عصبی مصنوعی (ANN) جهت پیش بینی وقوع بارش باران با استفاده از دادههای یک دوره 50 ساله در ایستگاه سینوپتیک فرودگاه همدان است. در این مطالعه از 80 درصد دادهها جهت آموزش و از 20 درصد دادهها جهت صحت سنجی مدلها استفاده شده و نتایج حاصل از اجرای مدلها با استفاده از معیارهای ماتریس در هم ریختگی اغتشاش منحنی ROC و شاخص AUC مقایسه شدند برای ساخت متغیر کلاس بندی داده های بارش و عدم ،بارش با توجه به دادههای ،بارش روزهای سال در دو کلاس روزهای وقوع بارش (y) و روزهای عدم وقوع بارش (n) دسته بندی شدند. در این تحقیق پیش پردازش دادهها با استفاده از پیش پردازش خودکار دادهها (ADP) انجام شده و آنگاه کاهش ابعاد متغیرها از روش PCA استفاده شد. یافته ها: در این مطالعه با توجه به روش PCA ابعاد متغیرها به 5 بعد کاهش یافت همچنین از داده های موجود تقریباً 80 درصد، روزها بدون بارش و 20 درصد روزها با بارش هستند نتایج تحقیق نشان داد که مدل KNN با معیار صحت 91/9 برای داده های آموزشی و مدلSVM، 13/89 درصد برای دادههای آزمون بهترین عملکرد را بین مدلهای داده کاوی .داشتند. شاخص AUC مدل KNN برابر 97/0در داده های آموزشی و در دادههای آزمون مقدار 94/0 برای الگوریتم SVM به دست آمد همچنین با توجه به منحنی عملکرد سیستم (ROC) برای داده های بارش همدان مدل KNN نسبت به سایر مدلها عملکرد بهتری را دارا میباشد. توجه به شاخص حساسیت در ماتریس اغتشاش مدلهای KNN و SVM در پیش بینی عدم وقوع بارش برای