مقاله توسعه مدل ریز مقیاس سازی آماری بارش روزانه از روش SVM با به کارگیری دسته بندی بارش

بخشی از مقاله

چکیده

از نیازهای اولیه مطالعات ارزیابی اثرات تغییراقلیم ریزمقیاس کردن بارش روزانه است. برا ی این منظور روش های مختلف آماری توسعه یافتهاند. در این مطالعه برای ریز مقیاس کردن بارش ازروش ماشین بردارپشتیبان - SVM1 - به صورت ترکیبی بهره گرفته شده است. روش توسعه داده شده شامل سه مرحله، تعیین وقوع بارش،کلاس بارش و نیز میزان بارش می باشد. پیش بینیکننده های بارش از میان متغیرهای اقلیمی موجود در بانک اطلاعاتی NCEP برای محدوده مورد مطالعه انتخابشده اند.

در جهت افزایش دقت مطالعات، از متغیرهای اقلیمی در نه نقطه اطراف منطقه مورد مطالعه در محاسبات استفاده شده است. مدلهایSVM شامل دو دسته کلاسبندی بردار پشتیبان - SVC2 - و رگرسیون بردارپشتیبان - SVR3 - هستندکه برای مراحل اول و دوم از SVC و در گام آخر از SVR استفاده میشود. به عنوان مطالعه موردی روش پیشنهادی برای ریزمقیاس کردن اطلاعات بارش در محل ورودی سدهای لتیان و کرج استفاده شده است. نتایج نشان دهنده مطلوبیت عملکرد مدل توسعه داده شده در ریزمقیاس کردن بارش میباشد.

-1 مقدمه

فرآیند پیشبینی اثرات تغییر اقلیم شامل اجزای گوناگونی است. در ابتدا سناریوهایی برای انتشار گازهای گلخانهای بر مبنای شرایط اقتصادی - اجتماعی کشورها در سالهای آینده تعریف میشود. سپس این سناریوها در مدلهای چرخه عمومی - GCMs - 4 تحلیل میشوند و اطلاعاتی در مورد متغیرهای اقلیمی در سرتاسر کره زمین و با مقیاس بزرگ بدست میآید. سپس از طریق کاهش مقیاس، این دادهها به اطلاعاتی در مقیاس حوضه آبریز تبدیل میشوند. روشهای ریزمقیاس معمولا به دو دسته ریزمقیاس آماری و ریزمقیاس دینامیکی طبقهبندی شده اند.اگرچه هردوروش مزایا و معایب خود را دارد ولی روش ریزمقیاس سازی آماری به دلیل محاسبات کمتر در مطالعات هیدرولوژیکی بیشتر مورد استفاده قرار میگیرد.

ریزمقیاسکردن آماری را می توان به چهار روش، - Plate, 1992; von Storch et al., 1993; Bárdossy, 1997، تولیدآب وهوای تصادفی - e.g., Selker - and Haith, 1990; Tung and Haith, 1995; Yu et al., 2002 ، روش e.g., Murphy, - resampling - 2000; Buishand and Brandsma, 2001; Palutikof et al., 2002، وروش رگرسیون دستهبندی کرد. روش رگرسیون به ایجاد یک تابع خطی یا غیر خطی بین متغیرها در مقیاس محلی و در مقیاس بزرگ میپردازد و به دلیل سهولت استفاده از آن در میان سایر روشها بیشتر موردتوجه قرار گرفته است.

از جمله روشهای آماری مبتنی بر رگرسیون میتوان به استفاده از شبکه عصبی، - Hewitson and Crane, 1996; Osson et al., 2001; Dibike and - Coulibaly, 2006،تجزیه و تحلیل همبستگی کانونی - Kass et al., 1996; Landman et al.,2001 - 1، مولفه اصلی - Burger, 1996; Menzel and Burger, 2002;Chu et al., 2008 - 2، یا ماشین بردار پشتیبان - Tripathi et al., 2006; Anandhi et al., 2008 - اشاره کرد. Chen et al - 2009 - به منظور دستهبندی روزهای خشک و روزهای بارانی از دستهبندی کننده ماشین بردار پشتیبان استفاده نمودند و سپس با استفاده از رگرسیون میزان بارش را در روزهای بارانی پیشبینی نمودند. Dibike et al - 2006 - قابلیت این روش را به خصوص در پیش-بینیهای هیدرولوژیکی نشان دادند.

آنها با استفاده از این روش در زمینه دستهبندی دادههای سنجش از زاه دور و مدل-سازی بارندگی و رواناب و مقایسه آن با روش شبکه عصبی مصنوعی به نتایج خوبی برای پیشبینی رسیدهاند . Tripathi et al - 2006 - از تکنیک SVM برای برآورد آماری بارندگی ماهانه در هند استفاده کردند. ایشان از دسته بندی SVM برای فصلهای خشک و مرطوب با استفاده از دادههای ماهوارهای استفاده نمودند. نتایج نشان داده است که مدل SVM به عنوان گزینه برتر نسبت به سایر روشهای معمول جهت پیشبینی بارش به روش آماری میتواند مورد استفاده قرار گیرد. Behzad et al - 2009 - نیز در پیشبینی رواناب با زمان پیشدید یک روزه در رودخانه بختیاری ایران از SVM استفاده نمودند.

در این تحقیق از دو رویکرد مدلسازی با استفاده از SVM شامل کلاسبندی بردار پشتیبان - SVC - و رگرسیون بردار پشتیبان - SVR - برای ریزمقیاسسازی بارش در سه گام استفاده میشود. ابتدا با استفاده از روش رگرسیون مرحلهای پیش-بینی کنندهها برای فصلکم بارش و پربارش انتخاب میشوند، در این تحقیق برای بالا رفتن دقت،به بررسیپیشبینی کننده-های نقاط اطراف نیز پرداخته شده است، سپس از روشSVC به انخاب روزهای بارانی و غیر بارانی پرداخته میشود و روزهایی که بارانی انتخاب شدند، با توجه به مقدار بارششان در سه دسته قرار داده شد، هدف از ارایه این روش دراین مطالعه انتخاب این سه دسته برایآماده کردن بهتر داده برای گام بعد میباشد که با استفاده از SVR بتوان، برای مقدار بارش از مدل خروجی بهتری نتیجه گرفت، نحوه انتخاب تعداد دسته و بازه آنها در بخش بعد به صورت کامل توضیح داده خواهد شد، بعد از انتخاب دسته و بازه آنها از روش SVC مدل را اجرا میشود، تا خروجی مقدار بارش بدست آید.

برایهر دسته، از روش SVR به اجرای مدل برای تعیین مقدار بارش میپردازیم، در آخر از سناریوهای A2 و B2 از مجموعه سناریوهای SRES3 به پیشبینی دادهها از سال 2000 تا 2099 پرداخته میشود. برای افزایش دقت خروجی داده-ها برای دو فصل پربارش - مهرتا اسفند - وکم بارش - فروردین تا شهریور - به صورت جداگانه بررسی میشود. تمام نتایج برای دو ایستگاه باران سنجی ورودی سد لتیان و کرج بررسی میشود.

-2 منطقه مورد مطالعه

شهر تهران از نظر موقعیت جغرافیایی در 51 درجه و 8 دقیقه تا 51 درجه و 37 دقیقه طول شرقی و 35 درجه و 34 دقیقه تا 35 درجه و 50 دقیقه عرض شمالی قرار گرفته است. با توجه به اینکه تهران در مجاورت کویر مرکزی و به دور از رودخانه دایمی بنا شده، از نظر بارندگی، با متوسط سالانه 245/8 میلیمتر، از متوسط بارندگی کشور یعنی 251 میلیمتر بارش کمتری دارد - کارآموز، . - 1388 در حوضه تهران بزرگ دو رودخانه کرج - با پتانسیل آورد 300 میلیون مترمکعب در سال - و جاجرود - با پتانسیل آورد 270 میلیون مترمکعب در سال - منابع سطحی اصلی را تشکیل میدهند.

350 مترمکعب از نیاز سالانه آب شرب شهر تهران از طریق سدهای لار و لتیان و 300 میلیون متر مکعب آن در سال از سد کرج تامین میگردد. به دلیل اهمیت این سدها، ایستگاههای بارانستجی واقع در ورودی دو سد لتیان و کرج مورد بررسی قرار گرفتند. برای ایستگاه کرج داده های بارش روزانه 1348 تا 1380 و برای ایستگاه لتیان 1370 تا 1380 مورد استفاده قرار گرفتند که به طور تصادفی 70 درصد داده ها برای کالیبراسیون و 30 درصد باقی دادهها برای اعتبارسنجی انتخاب شدند. دادههای ایستگاهها از شرکت مدیریت منابع آب ایران تهیه شدهاند.

در این تحقیق از خروجیهای مدل HadCM3 که در برگیرنده 26 متغیر آب و هوایی است، استفاده شده است. این داده-ها برای مقیاس زمانی روزانه از پایگاه اینترنتی www.cics.uvic.ca/scenarios/sdsm/select.cgi دریافت شده است.سناریوهای مدنظر شامل سناریوهای A2 و B2 از مجموعه سناریوهای SRES میباشد. دلیل اصلی این انتخاب این است که دادههای مورد نیاز برای اجرای مدل SVM، یعنی خروجی روزانه نتایج شبیهسازی مدل GCM1 مورد استفاده تنها برای این دو سناریو فراهم است.

شبکهبندی مدل HadCM3، 3/57 در 2/5 درجه است، در حالی که شبکهبندی NCEP، 2/5 در 2/5 درجه است. بنابراین در این تحقیق از دادههای NCEP باز شبکه بندی شده بر روی شبکهبندی HadCM3، استفاده شده است. این دادهها از پایگاه اینترنتی مذکور برداشته شدهاند.در این تحقیق، پیشبینیکنندههای مربوط به 9 نقطه نزدیک به محدوده مطالعاتی، مورد بررسی قرار گرفته است. بنابراین در مجموع 234 متغیر پیشبینیکننده برای کاهش مقیاس بارش در هر ایستگاه، مورد بررسی قرار گرفته است.در جدول 1 متغیرهای جوی پیشبینی کننده آورده شده است.