بررسی عملکرد روش‌های ANN و SVR در ریزمقیاس نمایی بارش روزانه مناطق خشک

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار گروه مهندسی آب دانشگاه بیرجند

2 دانشیار دانشگاه بیرجند

3 استادیار گروه علوم و مهندسی آب، دانشگاه بیرجند

4 دانشجوی دکتری مهندسی منابع آب، دانشکده کشاورزی، دانشگاه بیرجند

چکیده

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.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Performance Assessment of ANN and SVR for downscaling of daily rainfall in dry regions

نویسندگان [English]

  • abbas khashei 1
  • Ali Shahidi 2
  • mohsen pourrezabilondi 3
  • mehdi Amirabadizadeh 3
  • ahmad jafarzadeh 4
1 university of birjand, Avini street, birjand city, soth khorasan province,iran
2 Associate professor, Department of Water Engineering, Faculty of Agriculture, University of Birjand, Iran
3 Assistant Professor, Dept. of Science and Water Engineering, University of Birjand
4 PhD Student of Water Resource Engineering, Dept. of Science and Water Engineering, University of Birjand
چکیده [English]

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

کلیدواژه‌ها [English]

  • climate change
  • Wet and Dry Spells
  • Stepwise regression
  • CanESM2

مراجع

Camici, S., Palazzi, E., Pieri, A., Brocca, L., Moramarco, T. and Provenzale, A. 2015. Comparison between dynamical and stochastic downscaling methods in central Italy. In EGU General Assembly Conference Abstracts, 10270.. 10270.
Campozano, L., Tenelanda, D., Sanchez, E., Samaniego, E., & Feyen, J. (2015). Comparison of statistical downscaling methods for monthly total precipitation: case study for the paute river basin in Southern Ecuador. Advances in Meteorology, 2016.
Chadwick, R., Coppola, E., & Giorgi, F. (2011). An artificial neural network technique for downscaling GCM outputs to RCM spatial scale. Nonlinear Processes in Geophysics, 18(6).
Chanda, K., & Maity, R. (2018). Global Climate Pattern Behind Hydrological Extremes in Central India. In Climate Change Impacts (pp. 71-89). Springer, Singapore.
Chen, H., Xu, C. Y., & Guo, S. (2012). Comparison and evaluation of multiple GCMs, statistical downscaling and hydrological models in the study of climate change impacts on runoff. Journal of hydrology, 434, 36-45.
Çimen M. and Kisi, O. (2009). Comparison of two different data-driven techniques in modeling lake level fluctuations in Turkey. J Hydrol 378:253–262.
Devak, M., Dhanya, C. T., & Gosain, A. K. (2015). Dynamic coupling of support vector machine and K-nearest neighbour for downscaling daily rainfall. Journal of Hydrology, 525, 286-301.
Draper, N. R., Smith, H., & Pownell, E. (1966). Applied regression analysis (Vol. 3, pp. 217-220). New York: Wiley.
Duan, K., & Mei, Y. (2014). A comparison study of three statistical downscaling methods and their model-averaging ensemble for precipitation downscaling in China. Theoretical and applied climatology, 116(3-4), 707-719.
Hamidi, O., Poorolajal, J., Sadeghifar, M., Abbasi, H., Maryanaji, Z., Faridi, H. R., & Tapak, L. (2015). A comparative study of support vector machines and artificial neural networks for predicting precipitation in Iran. Theoretical and applied climatology, 119(3-4), 723-731.
Harpham, C., & Wilby, R. L. (2005). Multi-site downscaling of heavy daily precipitation occurrence and amounts. Journal of Hydrology, 312(1), 235-255.
Jafarzadeh, A., Khashei-Siuki, A., & Shahidi, A. (2017). Designing a multiobjective decision-making model to determine optimal crop pattern influenced by climate change phenomenon (case study: Birjand plain). Iranian Journal of Soil And Water Reaserch. 47(4). 849-859 (In Farsi).
Kalra, A., & Ahmad, S. (2012). Estimating ANNual precipitation for the Colorado River Basin using oceanic‐atmospheric oscillations. Water Resources Research, 48(6).
Liu, W., Fu, G., Liu, C., & Charles, S. P. (2013). A comparison of three multi-site statistical downscaling models for daily rainfall in the North China Plain. Theoretical and applied climatology, 111(3-4), 585-600.
Lu, Y., & Qin, X. S. (2014). A coupled K‐nearest neighbour and Bayesian neural network model for daily rainfall downscaling. International Journal of Climatology, 34(11), 3221-3236.
Mendes, D., & Marengo, J. A. (2010). Temporal downscaling: a comparison between artificial neural network and autocorrelation techniques over the Amazon Basin in present and future climate change scenarios. Theoretical and Applied Climatology, 100(3-4), 413-421.
Pearson, K. (1904). On the theory of contingency and its relation to association and normal correlation; On the general theory of skew correlation and non-linear regression. Cambridge University Press.
Rezaei, E., Khashei- Siuki, A., & Shahidi, A. (2015). Design of Groundwater Level Monitoring Network, Using the Model of Least Squares Support Vector Machine (LS-SVM). Iranian Journal of Soil And Water Reaserch. 45(4). 389-396 (In Farsi).
Richardson , C. 1981 Stochastic simulation of daily precipitation, temperature, and solar radiation. Water resources research, 17.
Sachindra, D. A., Huang, F., Barton, A., & Perera, B. J. C. (2013). Least square support vector and multi‐linear regression for statistically downscaling general circulation model outputs to catchment streamflows. International Journal of Climatology, 33(5), 1087-1106.
Salathe, E. P., Mote, P. W., & Wiley, M. W. (2007). Review of scenario selection and downscaling methods for the assessment of climate change impacts on hydrology in the United States Pacific Northwest. International Journal of Climatology, 27(12), 1611-1621.
Samadi, S., Wilson, C. A., & Moradkhani, H. (2013). Uncertainty analysis of statistical downscaling models using Hadley Centre Coupled Model. Theoretical and applied climatology, 114(3-4), 673-690.
Schoof, J. T., & Pryor, S. C. (2001). Downscaling temperature and precipitation: A comparison of regression‐based methods and artificial neural networks. International Journal of climatology, 21(7), 773-790.
Vu, M. T., Aribarg, T., Supratid, S., Raghavan, S. V., & Liong, S. Y. (2016). Statistical downscaling rainfall using artificial neural network: significantly wetter Bangkok?. Theoretical and applied climatology, 126(3-4), 453-467.
 
Wilby, R. L., & Wigley, T. M. L. (2000). Precipitation predictors for downscaling: observed and general circulation model relationships. International Journal of Climatology, 20(6), 641-661.            
Wilby, R. L., Dawson, C. W., & Barrow, E. M. (2002). SDSM—a decision support tool for the assessment of regional climate change impacts. Environmental Modelling & Software, 17(2), 145-157.
Wood, A. W., Leung, L. R., Sridhar, V., and Lettenmaier, D. P. (2004). Hydrologic implications of dynamical and statistical approaches to downscaling climate model outputs.”
Yang, C., Wang, N., Wang, S., & Zhou, L. (2016). Performance comparison of three predictor selection methods for statistical downscaling of daily precipitation. Theoretical and Applied Climatology, 1-12.
Yoon H, Jun S-C, Hyun Y, Bae G-O, Lee K-K (2011) A comparative study of artificial neural networks and support vector machines for predicting groundwater levels in a coastal aquifer. J Hydrol 396:128–138.
تحقیقات آب و خاک ایران
دوره 49، شماره 4
مهر و آبان 1397
صفحه 781-793

فایل ها

هم رسانی

ارجاع به این مقاله

آمار