نوع مقاله : مقاله پژوهشی

نویسندگان

• محسن اصولی شجاعی ¹
• فاطمه میکائیلی ¹
• سعید صمدیان فرد ²

¹ دانشجوی کارشناسی ارشد، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

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

چکیده

دمای نقطه شبنم در زمینه‌های مختلف از جمله علوم هواشناسی جهت پیش‌بینی‌های مربوط به آب و هوا دارای اهمیت فراوانی می‌باشد. لذا ارائه مدل‌های مناسب جهت پیش‌بینی دقیق مقدار این متغیر هواشناسی برای استفاده عملی مهندسین کشاورزی و ایستگاه‌های مجاوری که در آن‌ها امکان اندازه‌گیری این دما وجود ندارد، ضروری می‌باشد. در پژوهش حاضر توانایی چهار مدل داده‌محور شامل درخت گرادیان تقویتی، مدل درختی M5P، جنگل تصادفی و جنگل تصادفی بهینه‌شده با الگوریتم ژنتیک در تخمین دمای نقطه شبنم روزانه مورد ارزیابی قرار گرفت. برای این منظور از داده‌های هواشناسی روزانه دو ایستگاه اردبیل و پارس‌آباد در بازه زمانی 1384 تا 1399 استفاده شد. پارامترهای هواشناسی مورد استفاده شامل حداقل، حداکثر و میانگین دما، رطوبت نسبی، ساعت آفتابی و سرعت باد بوده که در 10 ترکیب متفاوت به‌عنوان متغیرهای ورودی برای هر یک از مدل­های مذکور در نظر گرفته شدند. مقایسه نتایج به‌دست آمده برای هر دو ایستگاه نشان داد که مدل‌  M5P-8با دارا بودن جذر میانگین مربعات خطای ^°C 54/0 و ضریب ویلموت برابر با 998/0 در ایستگاه اردبیل و  مدل M5P-6 با جذر میانگین مربعات خطای ^◦C 29/0 و ضریب ویلموت برابر با 00/1 در ایستگاه پارس‌آباد به‌عنوان برترین مدل‌ها معرفی شدند.

کلیدواژه‌ها

• اردبیل
• ارزیابی آماری
• متغیرهای هواشناسی
• مدل‌های هوشمند

موضوعات

• هیدرولوژی

عنوان مقاله [English]

Evaluating Capabilities of Gradient Boosted Tree and Optimized Random Forest Models in Estimating Daily Dew Point Temperature

نویسندگان [English]

• Mohsen Osouli Shojaei ¹
• Fatemeh Mikaeili ¹
• Saeed Samadianfard ²

¹ M.Sc. Student, Department of Water Engineering, Faculty of Agriculture, Tabriz University, Tabriz, Iran

² Assoc. Professor, Department of Water Engineering, Faculty of Agriculture, Tabriz University, Tabriz, Iran

چکیده [English]

Dew point temperature is very important in various fields including meteorology for weather forecasts. Therefore, it is necessary to provide suitable models to accurately predict the value of this meteorological variable for the practical use of agricultural engineers and nearby stations where it is not possible to measure this temperature. In the present study, we investigated the ability of four data-driven models, including gradient reinforcement tree, M5P tree model, random forest, and random forest optimized with genetic algorithm, in estimating daily dew point temperature. For this purpose, the daily meteorological data of two stations in Ardabil and Parsabad were used in the period of 2014 to 2019. The used meteorological parameters include minimum, maximum, and average temperature, relative humidity, sunshine hour, and wind speed, which were considered input variables for each of the mentioned models in 10 different combinations. The comparison of the results obtained for both stations showed that the M5P-8 model with a root mean square error of 0.54°C and a Wilmot coefficient equal to 0.998 in the Ardabil station and the M5P-6 model with a root mean square error of 0.29°C and Wilmot coefficient equal to 1.00 was introduced as the best models in Parsabad station.

کلیدواژه‌ها [English]

• Ardabil
• Intelligence Models
• Meteorological Variables
• Statistical Evaluation