ارزیابی و پیش بینی احتمال وقوع رعد و برق در رشت

نوع مقاله: مقاله پژوهشی

نویسندگان

گروه علوم و مهندسی محیط‌زیست، دانشکده منابع طبیعی، دانشگاه کردستان، سنندج، ایران

10.22126/ges.2020.4534.2122

چکیده

رعد و برق از شدیدترین مخاطرات آب­وهوایی است که هرساله به خسارت اقتصادی – اجتماعی و زیست­محیطی فراوانی منجر می­شود. پیش­بینی رعد و برق به­علّت گسترش فضایی و زمانی آب‌وهوا به­صورت فیزیکی یا دینامیکی بسیار دشوار است؛ بنابراین پیش­بینی به‌موقع و ارزیابی بهترین مدل داده­کاوی در کاهش آسیب و خسارت مؤثّر است. در پژوهش حاضر، از داده­های سال 1390 تا 1396 ایستگاه هواشناسی رشت استفاده شد. متغیّر وابسته وقوع و عدم وقوع رعد و برق در طی هفت سال و متغیّرهای مستقل عوامل مؤثّر بر رعد و برق شامل دما، رطوبت نسبی، ابرناکی، سرعت باد، جهت باد، فشار هوا و رعد و برق در روز گذشته است. پس از پیش­پردازش و پردازش داده­ها از مدل­های داده­کاوی شامل درخت­های کارت، چاید، سی فایو و شبکة عصبی پرسپترون چندلایه، تابع پایه­ای شعاعی و ماشین بردار پشتیبان در نرم­افزار اِس.پی.اِس.اِس. مودلر ورژن 20 استفاده شد. نتایج حاصل از مدل­ها با معیارهای مقایسه­ای و منحنی راک مقایسه شد. با توجّه به نتایج به­دست­آمده از مدل­ها، احتمال وقوع رعد و برق در آینده در ماه­های اردیبهشت، خرداد و تیر نسبت به سایر ماه­ها حداکثر است و میزان وقوع از فصل بهار تا زمستان روند کاهشی دارد و در فصل زمستان، به حداقل مقدار خود می­رسد و ازمیان مدل­های پیش­بینی­کننده، درخت چاید با میزان تشخیص 794/0 و حداقل میزان نرخ مثبت کاذب 205/0و مدل ماشین بردار پشتیبان با پیش­بینی صحیح 773/0 مورد و نرخ خطای 475/0 و دقّت 855/0 نسبت به سایر مدل­ها عملکرد بهینه دارند.

کلیدواژه‌ها

موضوعات


جلالی، اورج؛ رسولی، علی­اکبر؛ ساری صراف، بهروز (1385). توفان­های تندری و بارش­های ناشی از ان در محدودة شهر اهر. جغرافیا و برنامه­ریزی، 16(24)، 18-33.

خالصی، فریده (1393). واکاوی زمانی توفان­های تندری در ایران. آب­وهواشناسی کاربردی، 1(1)، 47-60.

خورشیددوست، علی­محمد؛ رسولی، علی اکبر؛ فخاری واحد، مجتبی (1396). توزیع زمانی و مکانی پدیدة رعدوبرق در ایران با استفاده از داده­های سنجندة ثبت رعد و برق LIS)). جغرافیا و مخاطرات محیطی، 6 (21)، 89-107.

خوشحال دستجردی، جواد؛ قویدل رحیمی، یوسف (1386). شناسایی ویژگی­های سوانح محیطی منطقة شمال غرب ایران (نمونة مطالعاتی: خطر توفان­های تندری در تبریز). فصلنامة مدرس علوم انسانی، 11(53)، 101-115.

رسولی، علی­اکبر؛ بوداق جمالی، جواد؛ جلالی، اروج (1386). توزیع زمانی بارش­های رعد و برقی منطقة شمال غرب ایران. مجلّة پژوهشی علوم انسانی دانشگاه اصفهان، 14 (22)، 155-170.

رسولی، علی­اکبر؛ جوان، خدیجه (1391). تحلیل روند وقوع طوفان­های رعد و برق در نیمة غربی ایران با کاربرد آزمون­های ناپارامتری. مجلّة فضای جغرافیایی، 12(38)، 126-111.

قویدل رحیمی، یوسف؛ باغبانان، پرستو؛ فرج­زاده اصل، منوچهر (1393). تحلیل فضایی مخاطرة توفان­های تندری بهارة ایران. تحلیل فضایی مخاطرات محیطی، 1(3)، 59-70.

مفتاحی نمین، شیدا؛ صلاحی، برومند (1392). تحلیل ویژگی­های آماری و همدیدی توفان­های تندری شهرستان آستارا. در:عبدالله حسن­زاده، دومین همایش ملّی تغییر اقلیم و تأثیر آن بر کشاورزی و محیط­زیست، (صص. 2920-2929). ارومیه: مرکز تحقیقات کشاورزی و منابع طبیعی استان آذربایجان غربی.

موسوی، محبوبه؛ زرین، آذر؛ مفیدی، عباس؛ حسینی، فاطمه (1396). بررسی ارتباط بین فراوانی وقوع توفان­های تندری و روند دما در شهر مشهد. تحقیقات جغرافیایی، 32(3)، 75-87.

نصیری قلعه­بین، سحر؛ صلاحی، برومند؛ رسولی، علی­اکبر؛ خوش­اخلاق، فرامرز (1398). تحلیل زمانی مکانی طوفان­های تندری در دشت اردبیل. پژوهش­های جغرافیای طبیعی، 51 (1)، 149-162.

References

Bala, K., Choubey, D. K. & Paul, S. (2017). Soft Computing and Data Mining Techniques for Thunderstorms and Lightning Prediction: A Survey. International Conference on Electronics Communication and Aerospace Technology ICECA, 42-46.

Barnes, S. L. & Newton, C. W. (1982). Thunderstorms in the synoptic setting, in thunderstorms,
In: Kessler, E. (Editor), A Social Scientific and Technological Documentary, Thunderstorm Morphology and Dynamics
. Washington: U.S Deptment of Commerce, D.C 2, 109-171.

Basak, P., Sarkar, D. & Mukhopadhyay, A. K. (2012). Estimation of Thunderstorm Days from the Radio-sonde Observations at Kolkata (22.53 N, 88.33 E), India during Pre-Monsoon Season: an ANN Based Approach. Earth Science India, 5(4), 139-151.

Blouin, D. K., Flannigan, D. M., Wang, X. & Kochtobajda, B. (2016). Ensemble lightning prediction models for the province of Alberta, Canada. International Jurnal of Wildland Fire, 25 (4), 421-432.

Burrows, W. R., Price, C. & Wilson, L. J. (2005). Warm season lightning probability prediction for Canada and the northern United States. Weather Forecasting, 20, 971-988.

Chaudhuri, S. & Middey, A. (2013). Nowcasting lightning flash rate and peak wind gusts associated with severe thunderstorms using remotely sensed TRMM-LIS data. Journal of Remote Sensing, 34 (5), 1576-1590.

Chauhan, D. & Thakur, J. (2014). Data Mining Techniques for Weather Prediction: A Review. International Journal on Recent and Innovation Trends in Computing and Communication, 2 (8), 2184-2189.

Court, A. & Griffiths, J. F. (1982). Thunderstorm climatology, In: Kessler, E. (Editor), Thunderstorms: A Social, Scientific and Technological Documentary, Thunderstorm Morphology and Dynamics. Washington: U.S Deptment of Commerce, D.C 2, 11-52.

Ghavidel Rahini, Y., Baghebanan, P. & Farajzadeh, M. (2014). The spatial analysis of hazard of spring thunderstorms in Iran. Spatial Analysis Environmental Hazards, 1 (3), 59-70. (In Persian)

Han, J., Kamber, M. & Pei, J. (2006). Data Mining Concepts and Techniques. Second Edition, Burlington, USA: Morgan Kaufmann.

Hodanish, S. & Wolyn, P. (2012). April, Lightning climatology for the state of Colorado. Paper presented at the 23 rd International Lightning Detection Conference & 4th International Lightning Meteorology Conference, Broomfield, Colorado, USA.

Hou, S., Hou, R., Shi, X., Wang, J. & Yuan, C. (2014). Research on C5.0 Algorithm Improvement and the Test in Lightning Disaster Statistics. International Journal of Control and Automation, 7 (1), 181-190.

Jalali, A., Rasouly, A. A. & Sari Sarraf, B. (2006). Thunderstorms and its rains in Ahar city. Geography and Planning, 16 (24), 18-33. (In Persian)

Jian, C., Gao, J. & Ao, Y. (2016). A new sampling method for classifying imbalanced data based on support vector machine ensemble. Neurocomputig, (193), 115-122.

Khalesi, F. (2014). A temporal analysis of thunderstorms in Iran. Applied Climatology, 1 (1), 47-60. (In Persian)

Khorshiddoust, A. M., Rasouly, A. A. & Vahed, M. F. (2017). Spatio-temporal distribution of lightning phenomenon in Iran using TRMM Lightning Image Sensor (LIS) data. Geography and Environmental Hazards, 6 (21), 89-107. (In Persian)

Khoshhal Dastjerdi, J. & Ghavidel Rahini, Y. (2007). Identify Characteristics of environmental disasters in Northwest Iran (Case Study: Thunderstorm Risk in Tabriz). Humanities Teacher Quarterly, 11 (53), 101-115. (In Persian)

Kodama, Y. M., Okabe, H., Tomisaka, Y., Kotono, K., Kondo, Y. & Kasuya, H. (2007). Lightning frequency and microphysical properties of precipitating clouds over the western North Pacific during winter as derived from TRMM multisensor observations. Monthly Weather Review, 135 (6), 2226-2241.

Kohavi, P. (1998). Glossary of terms, editorial for the special issue on applications of machine learning and the knowledge discovery process. Machine Learning, 30 (2-3), 271-274.

Lambert, W. C., Wheeler, M. & Roeder, W. (2005). Objective lightning forecasting at Kennedy Space Center and Cape Canaveral Air Force Station using cloud-to-ground lightning surveillance system data; Preprints. Conferance on Meteorological Applications of Lightning Data, (pp. 1-10). San Diego, CA: American Meteorological Society.

McGovern, A., Elmore, K. L., Gagne, D. J., Haupt, S. E., Karstens, C. D., Lagerquist, R., Smith, T. & Williams, J. K. (2017). Using Artificial Intelligence to Improve Real-Time Decision N-Making for High-Impact Weather. American Meteorological Society, 98 (10), 2073-2090.

Meftahi Namin, S. & Salahi, B. (2013). Analysis of statistical and synoptic characteristics of thunderstorms in Astara city. In: Abdullah Hassanzadeh. Second International Conference on Climate Change and Impact on Agriculture and Environment, (pp. 2920-2929). Urumia: Agriculture Research Center and Natural Resources of West Azarbaijan. (In Persian)

Moosavi, M., Zarrin, A., Mofidi, A. & Hosseini, F. (2017). Investigating the relationship between the frequency of thunderstorms and temperature trend in Mashhad. Geographical Researches Quarterly, 32 (3), 75-87. (In Persian)

Mostajabi, A. H., Finney, D., Rubinstein, M. & Rachidi, F. (2019). Nowcasting lightning occurrence from commonly available meteorological parameters using machine learning techniques. Npj Climate and Atmospheric Science, 2 (1), 1-15.

Nasiri Ghalebin, S., Salahi, B., Rasouly, A. A. & Khoshakhlagh, F. (2019). Modeling spatial distribution of thunderstorm rainfalls in mountainous area of the Northwest Iran. Physical Geography Research Quarterly, 51 (1), 149-162. (In Persian)

Qiu, T., Zhang, S., Zhou, H., Bai, X. & Liu, P. (2013). Application study of machine learning in lightning forecasting. Journal of Technology, 12 (21), 6031-6037.

Rajeevan, M., Madhulatha, A., Rajasekhar, M., Bhate, J., Kesarkar, A., Kesarkar, A. & Appa Rao, B. V. (2012). Development of a perfect prognosis probabilistic model for prediction of lightning over south-east India. Journal Earth System Science, 121 (2), 355-371.

Rasouly, A. A., Budagh Jamali, J. & Jalali, A. (2007). Spatial distribution of lightning rainfalls in North west Iran. Humanities of Isfahan University, 14 (22), 155-170. (In Persian)

Rasouly, A. A. & Javan, K. H. (2012). Analysis of thunderstorm occurrence trends in the Western part of Iranapplying Non-Parametric Statistical tests. Geographical Space, 12 (38), 111-126. (In Persian)

Reap, R. M. (1994). Analysis and prediction of lightning strike distributions associated with synoptic map types over Florida. Monthly Weather Review, (122), 1698-1715.

Zhang, Z., Krawczyk, B., Garcìa, S., Rosales-Pérez, A. & Herrera, F. (2016). Empowering one-vs-one decompositin with ensemble learning for multiclass imbalanced data. Knowledge Based System, 106, 251-263.

Zhu, Y. M., Lu, X. X. & Zhou, Y. (2007). Suspended sediment flux modeling with artificial neural network: An example of the longchuanjiang river in the Upper Yangtze Catchment, China. Geomorphology, 84 (1), 111-125.