@article { author = {khashei, abbas and Shahidi, Ali and pourrezabilondi, mohsen and Amirabadizadeh, mehdi and jafarzadeh, ahmad}, title = {Performance Assessment of ANN and SVR for downscaling of daily rainfall in dry regions}, journal = {Iranian Journal of Soil and Water Research}, volume = {49}, number = {4}, pages = {781-793}, year = {2018}, publisher = {University of Tehran}, issn = {2008-479X}, eissn = {2423-7833}, doi = {10.22059/ijswr.2018.237702.667720}, abstract = {Studies of climate change impacts on water resources need to conversion of projection of climate variable pattern from coarser scales to a suitable scale. Downscaling processes improves projection of General Circulation Models (GCMs) significantly. In this study is assessed performance of Artificial Neural Network and Support Vector Regression. Observation rainfall was collected for 1961-1990 from Birjand synoptic station. Also value of 26 predictors from CanESM2 output in Assessment Report Five (AR5) was extracted. Predictor selection was performed by Stepwise regression. Model skill was evaluated using indices R2, RMSE and NSE. Also for better analysis using of various tests such as uncertainty assessment, reproduction of descriptive statistics, dry and wet spells and monthly rainfall. Results of assessment indices showed that estimation performances of both methods in daily rainfall are relatively suitable. Value of R2, RMSE and NSE are achieved 0.48, 1.5 mm and 0.47 for SVR with Polynomial kernel function in best case respectively. Results of skill model in estimation of descriptive statistics indicated that SVR with Polynomial kernel function outperforming others. Comparison of observed and downscaled monthly rainfall illustrates that SVR performs better than ANN in winter season. Also both methods have overestimation in summer months. Results of identification of dry days sowed that performance of both models is well and same. In this case ANN identified 96% dry days correctly. Results of identification of wet days showed that SVR outperforms ANN. Assessment of skill method for estimation of dry spells length indicated that both methods have more efficiently in long spells than short}, keywords = {climate change,Wet and Dry Spells,Stepwise regression,CanESM2}, title_fa = {بررسی عملکرد روش‌های ANN و SVR در ریزمقیاس نمایی بارش روزانه مناطق خشک}, abstract_fa = {مطالعات بررسی پیامدهای تغییر اقلیم بر منابع آب نیازمند تبدیل رفتار متغیرهای اقلیمی شبیه­سازی شده توسط خروجی مدل­های گردش عمومی، از یک مقیاس بزرگ به یک مقیاس محلی و مناسب است. فرآیند ریزمقیاس نمایی به طور قابل‌توجهی نتایج مربوط به شبیه­سازی مدل­های گردش عمومی را بهبود می­بخشد. با وجود اینکه مطالعات کمی در خصوص عملکرد روش­های ریزمقیاس نمایی در مناطق خشک وجود دارد، این پژوهش در نظر دارد تا کارایی روش­های آماری را به منظور ریزمقیاس نمایی بارش روزانه بررسی نماید. در این مطالعه به منظور بررسی عملکرد روش ANN و SVM در ریزمقیاس نمایی بارش روزانه مشاهداتی (1990-1960)، مقادیر 26 متغیر پیش­بینی کننده از خروجی مدل گردش عمومی CanESM2 در گزارش پنجم، برای مدت مشابه استفاده شد. نخست فرآیند انتخاب بهترین متغیرهای پیش­بینی کننده توسط آزمون رگرسیون گام به گام پیش­رو انجام شد. به منظور بررسی توانمندی روش­های ریزمقیاس نمایی از شاخص­های ارزیابی R2، RMSE و NSEبهره گرفته شد. همچنین به منظور تحلیل بهتر از آزمون­های مقایسه­ای متعددی نظیر بررسی عدم قطعیت، آماره­های توصیفی، دوره­های تر و خشک و بارندگی ماهانه استفاده شد. نتایج شاخص­های ارزیابی نشان داد که در حالت کلی عملکرد دو روش­ در تخمین بارش نسبتاً مناسب می­باشد. مقدار شاخص­های ارزیابی R2، RMSE و NSE در بهترین حالت به ترتیب معادل 48/0، 5/1 میلی­متر در روز و 47/0 و متعلق به روش SVM با تابع کرنل Polynomial می­باشد. مقایسه تغییرات بارندگی روزانه نشان داد عدم قطعیت تخمین زده شده در روش SVM به عدم­قطعیت مقادیر مشاهداتی نزدیک­تر می­باشد. عملکرد روش­ها در تخمین آماره­های توصیفی نشان داد که روش SVM با تابع کرنل Polynomial از برتری قابل­توجهی نسبت به سایر روش­ها برخوردار می­باشد. مقایسه میانگین بارش­های ماه به ماه در دوره آزمون نشان داد که در ماه­های با بارش بالا، عملکرد SVM بهتر از ANN می­باشد. همچنین هر دو روش بارش در فصل تابستان را بیش از مقدار مشاهداتی ­برآورد نموده­اند. نتایج تشخیص روزهای خشک نشان داد که عملکرد روش­ها به یکدیگر نزدیک می­باشد. در این مقوله ANN حدود 96% روزهای خشک را به درستی تشخیص داد. اما در تشخیص روزهای تر عملکرد SVM در مقایسه با ANN بسیار بالاتر بود. بررسی توانمندی روش­ها در تخمین طول دوره­های خشک نشان داد که عملکرد دو روش در تخمین دوره­های بحرانی خشک بهتر از دوره­های خشک با طول کم می­باشد. همچنین نتایج مربوط به تخمین طول دوره­های تر نشان داد که دقت روش­ها مناسب نمی­باشد.}, keywords_fa = {تغییر اقلیم,دوره‌های خشک و تر,رگرسیون گام به گام,CanESM2}, url = {https://ijswr.ut.ac.ir/article_67047.html}, eprint = {https://ijswr.ut.ac.ir/article_67047_88106a617d7ace1ea926b206fdd52a46.pdf} }