ΑΠΑΝΤΗΣΕΙΣ ΣΤΑ ΣΧΟΛΙΑ ΤΩΝ ΑΞΙΟΛΟΓΗΤΩΝ Απαντήσεις στα σχόλια του ΑΞΙΟΛΟΓΗΤΗ Α Οι συγγραφείς ευχαριστούν τον ΑΞΙΟΛΟΓΗΤΗ Α για τις εποικοδομητικές υποδείξεις και παρατηρήσεις. Οι υποδείξεις και παρατηρήσεις εξετάστηκαν με ιδιαίτερη προσοχή και έγιναν διορθώσεις και τροποποιήσεις, οι οποίες ενσωματώθηκαν στο κείμενο της εργασίας και περιγράφονται αναλυτικά στη συνέχεια: 1. Υπάρχει αντίστοιχη δημοσίευση στο Συνέδριο ΕΥΕ το 2006 στην Ξάνθη από τους Μαχαίρα και άλ. (ΑΠΘ) που δεν αναφέρεται. 2. Υπάρχουν πολλές σχετικές δημοσιεύσεις από 20ετίας σε διεθνή περιοδικά και συνέδρια από τους καθ. Κλιματολογίας ΑΠΘ Μαχαίρα, Τολίκα, Αναγνωστοπούλου και αλ. και τον καθ. Υδρολογίας ΑΠΘ Βαφειάδη που αφορούν τον υποβιβασμό κλίμακας και ιδιαίτερα με νευρωνικά δίκτυα που αγνοούνται από τους συγγραφείς. Οι συγγραφείς συμφωνούν με τις υποδείξεις 1 και 2 του Αξιολογητή Α και συμπεριέλαβαν στη ΒΙΒΛΙΟΓΡΑΦΙΑ βιβλιογραφικές αναφορές οι οποίες αφορούν υποβιβασμό κλίμακας διαφόρων μετεωρολογικών μεταβλητών στον Ελληνικό χώρο, με χρήση νευρωνικών δικτύων. Οι βιβλιογραφικές αυτές αναφορές είναι: Μαχαίρας, Χ., Βαφειάδης, Μ., Τολίκα, Κ., Μαχαίρας, Π. και Χ. Αναγνωστοπούλου, 2006. Κατασκευή σεναρίων υδρομετεωρολογικών παραμέτρων στην ευρύτερη περιοχή της Θεσσαλονίκης με τη χρήση των τεχνητών νευρωνικών δικτύων. Πρακτικά 10 ου Πανελλήνιου Συνεδρίου Ελληνικής Υδροτεχνικής Ένωσης, Ξάνθη, Τόμος Α, 127-134. Kostopoulou, E., Giannakopoulos, C., Anagnostopoulou, C., Tolika, K., Maheras, P.,
Vafiadis, M., Fouda, D., 2007. Simulating maximum and minimum temperature over Greece: a comparison of three downscaling techniques. Theor. Appl. Climatol. 90, 65-82. Tolika, K., Maheras, P., Vafiadis, M., Flocas, H.A., Arseni-Papadimitriou, A., 2007. Simulation of seasonal precipitation and raindays over Greece: a statistical downscaling technique based on artificial neural networks (ANNs). International Journal of Climatology, 27, 861-881. Tolika, K., Anagnostopoulou, C., Maheras, P., Vafiadis, M., 2008. Simulation of future changes in extreme rainfall and temperature conditions over the Greek area: a comparison of two statistical downscaling approaches. Global and Planetary Change, 63, 132-151. 3. Οι συγγραφείς φαίνεται να μην είναι πολύ σχετικοί με την κλιματολογία και δεν είναι σε θέση να διακρίνουν την σημαντικότητα των διαφόρων μεταβλητών ως προς την βροχή για τα οποία το μοντέλο GCM τους παρέχει δεδομένα. Βέβαια αντιμετωπίζουν το πρόβλημα αυτό με την ανάλυση σε κύριες συνιστώσες και τον περιορισμό των μεταβλητών. Αυτή η μεθοδολογία έχει ενδιαφέρον αλλά από το κείμενο φαίνεται να εφαρμόστηκε μηχανιστικά. H διαπίστωση της σημαντικότητας των διαφόρων μεταβλητών ως προς τη βροχή, αλλά και ως προς άλλες υδρομετεωρολογικές μεταβλητές, ιδιαίτερα σε επίπεδο υποβιβασμού κλίμακας αποτελεί αντικείμενο αναζήτησης σε πάρα πολλές δημοσιεύσεις και των πολύ σχετικών κλιματολόγων. Η αναζήτηση αναφέρεται στην επιλογή των μεταβλητών που πρέπει να ενταχθούν ούτως ώστε να αποφευχθεί οποιαδήποτε απώλεια πληροφορίας. Στην παρούσα εργασία ο προβληματισμός της επιλογής των μετεωρολογικών μεταβλητών αντιμετωπίσθηκε με την υιοθέτηση και εφαρμογή της ανάλυσης κυρίων συνιστωσών.
4. Δεν δίνονται καθόλου πληροφορίες σχετικά με τα δεδομένα GCM, δηλαδή από ποιούς κόμβους του σχετικού καννάβου λαμβάνονται, πώς προκύπτουν οι μηνιαίες τιμές κλπ. Τα δεδομένα κλιματικής αλλαγής πάρθηκαν από το μοντέλο Γενικής Κυκλοφορίας CGCM3.1/T63 με γεωγραφικές συντεταγμένες καννάβου (Γ.Π. 40 ο 27 και Γ.Μ. 22 ο 30 ). Τα μηναία δεδομένα προέκυψαν από ημερήσια δεδομένα που πάρθηκαν από το παραπάνω μοντέλο γενικής κυκλοφορίας. Ενσωματώθηκαν οι παραπάνω πληροφορίες στο κείμενο της εργασίας.
Απαντήσεις στα σχόλια του ΑΞΙΟΛΟΓΗΤΗ Β Οι συγγραφείς ευχαριστούν τον ΑΞΙΟΛΟΓΗΤΗ Β για τις εποικοδομητικές υποδείξεις και παρατηρήσεις. Οι υποδείξεις και παρατηρήσεις εξετάστηκαν με ιδιαίτερη προσοχή και έγιναν διορθώσεις και τροποποιήσεις, οι οποίες ενσωματώθηκαν στο κείμενο της εργασίας και περιγράφονται αναλυτικά στη συνέχεια: Η παρούσα εργασία είναι μια ενδιαφέρουσα δουλειά η οποία παρουσιάζεται με ένα σωστό και οργανωμένο τρόπο. Θεωρώντας όμως ότι το αναγνωστικό κοινό, στο οποίο απευθύνεται το παρόν επιστημονικό περιοδικό, είναι κυρίως στο αντικείμενο της υδρολογίας και των υδατικών πόρων νομίζω ότι θα πρέπει να δοθεί λίγη περισσότερη πληροφορία σχετικά με την μεθοδολογία και τα νευρωνικά δίκτυα. Συγκεκριμένα: Στη σελίδα 3 αναφέρεται: "Ο αλγόριθμος αυτός έχει δειχθεί ότι ξεπερνά τα μειονεκτήματα που παρουσιάζει ο περισσότερο διαδεδομένος αλγόριθμος βελτιστοποίησης, αυτός της οπισθοδρομικής διάρθρωσης λάθους (backpropagation)..." Καλό θα είναι να δοθεί λίγη περισσότερη πληροφορία Ο αλγόριθμος αυτός είναι ιδιαίτερα αξιόπιστος όταν εφαρμόζεται σε προβλήματα εκτίμησης τύπου παλινδρόμησης ((Singh et al., 2007; Wilamowski and Yu, 2010; Özçelik et al., 2014; Diamantopoulou et al., 2015). Επιπλέον, έχει δειχθεί ότι ξεπερνά τα μειονεκτήματα που παρουσιάζει ο περισσότερο διαδεδομένος αλγόριθμος βελτιστοποίησης, αυτός της οπισθοδρομικής διάρθρωσης λάθους (back propagation). Τα σημαντικότερα μειονεκτήματα που παρουσιάζει ο αλγόριθμος της οπισθοδρομικής διάρθρωσης λάθους είναι ότι χρειάζεται πολύ χρόνο προκειμένου να ολοκληρωθεί η
εκπαίδευση του νευρωνικού δικτύου, μπορεί να παρουσιάσει προσωρινή αστάθεια στην κατάρτιση των βαρών, ενώ επίσης έχει την τάση να παγιδεύεται σε τοπικά ελάχιστα κατά τη διάρκεια εκπαίδευσης του δικτύου. Αυτά τα μειονεκτήματα έχουν περιγραφεί και συζητηθεί εκτενώς στη βιβλιογραφία (Wilamowski, and Yu, 2010; Diamantopoulou et al., 2015). Στη σελίδα 4, κάτω από την εξίσωση 2.2 αναφέρεται Si =... αλλά πουθενά μέσα στην εξίσωση 2.2 δεν εμφανίζεται Si. Οι συγγραφείς συμφωνούν με την υπόδειξη του Αξιολογητή Β και πραγματοποίησαν τη διόρθωση. Στη σελίδα 5 (κάτω από τον Πίνακα 1) αναφέρεται "Η ανάλυση κύριων συνιστωσών (PCA) εφαρμόστηκε με στόχο την επιλογή ασυσχέτιστων συνδυασμών των αρχικών ανεξάρτητων μεταβλητών Χi, στις οποίες οφείλεται η μέγιστη μεταβλητότητα των τιμών της εξαρτημένης μεταβλητής Υ." Καλό θα ήταν να δοθεί πληροφορία για το τι είναι η ανάλυση κύριων συνιστωσών και ποιος ο ρόλος της. Επίσης μήπως το Υ είναι Υκ??? Η δεύτερη διαδικασία η οποία χρησιμοποιήθηκε είναι αυτή της ανάλυσης κυρίων συνιστωσών (Principal Component Analysis, PCA). Πρόκειται για μια στατιστική διαδικασία, της οποίας στόχος είναι ο εντοπισμός μη συσχετισμένων δεδομένων μέσα από ένα σύνολο συσχετισμένων δεδομένων, προκειμένου να απομονωθεί τμήμα του «θορύβου» των δεδομένων, δηλαδή η ανούσια επανάληψη της ίδιας πληροφορίας. Στην εργασία αυτή εφαρμόστηκε η ανάλυση κυρίων συνιστωσών με στόχο την επιλογή ασυσχέτιστων συνδυασμών των αρχικών ανεξάρτητων μεταβλητών Χi, στις οποίες
οφείλεται η μέγιστη μεταβλητότητα των τιμών της εξαρτημένης μεταβλητής Υk. Σελίδα 5 αναφέρεται "Τέλος, χρησιμοποιήθηκαν ως μεταβλητές εισόδου στο μοντέλο υποβιβασμού LMANN μόνο οι συνιστώσες εκείνες που είχαν ιδιοτιμή (eigenvalue) μεγαλύτερη από τη μονάδα." Χρειάζεται κάποια ερμηνεία να δοθεί. Τέλος, χρησιμοποιήθηκαν ως μεταβλητές εισόδου στο μοντέλο υποβιβασμού LMANN μόνο οι συνιστώσες εκείνες που είχαν ιδιοτιμή (eigenvalue) μεγαλύτερη από τη μονάδα, γιατί όπως έχει περιγραφεί από τους Αbdi and Williams (2010), οι συνιστώσες αυτές ενσωματώνουν το μέγιστο της διακύμανσης, ενώ ταυτόχρονα είναι ασυσχέτιστες μεταξύ τους. Abdi, H. and Williams, L.J., 2010. Principal component analysis. Wiley Interdisciplinary Reviews, Computational Statistics 2, 433 459. Σελίδα 6 αναφέρεται "Το μοντέλο δεν πάσχει από υπερπαραμετροποίηση όπως φαίνεται στο Σχήμα 3β." Χρειάζεται επεξήγηση. Στο Σχήμα 3β δίνεται το ιστόγραμμα σφαλμάτων, στο οποίο ο μέγιστος αριθμός σφαλμάτων συγκεντρώνεται γύρω από το μηδέν, ενώ όσο μεγαλώνει η απόλυτη τιμή του σφάλματος, η συχνότητα εμφάνισης μειώνεται. Αυτή η κατανομή σφαλμάτων είναι ενδεικτική ενός καλά εκπαιδευμένου νευρωνικού δικτύου απαλλαγμένου από υπερπαραμετροποίηση.
Απαντήσεις στα σχόλια του ΑΞΙΟΛΟΓΗΤΗ C Οι συγγραφείς ευχαριστούν τον ΑΞΙΟΛΟΓΗΤΗ C για τις εποικοδομητικές υποδείξεις και παρατηρήσεις. Οι υποδείξεις και παρατηρήσεις εξετάστηκαν με ιδιαίτερη προσοχή και έγιναν διορθώσεις και τροποποιήσεις, οι οποίες ενσωματώθηκαν στο κείμενο της εργασίας και περιγράφονται αναλυτικά στη συνέχεια: Ενδιαφέρουσα εργασία, με πολύ καλή ανάλυση και παρουσίαση θέματος. Κάποιες παρατηρήσεις οι οποίες πρέπει να απαντηθούν για την ολοκλήρωση της παρουσίασης, είναι οι ακόλουθες: 1) Αναφέρεται στο τέλος της παραγράφου 3 ότι «Από το σχήμα 6α φαίνεται μέγιστων τιμών». Να δικαιολογηθεί το «πώς φαίνεται» καθώς δεν υπάρχει αντίστοιχο σχήμα για την περίοδο 1975-1998. Οι συγγραφείς συμφωνούν με την υπόδειξη του Αξιολογητή C και ενσωμάτωσαν στο κείμενο της εργασίας το Σχήμα 6, όπου φαίνονται τα θηκογράμματα (box plots) των μηνιαίων βροχοπτώσεων του Εξαπλατάνου, για τη χρονική περίοδο 1975-1998. 2) Καλό θα είναι να αναφερθούν με το όνομά τους, οι 6 παράμετροι που προέκυψαν από την PCA και τελικά χρησιμοποιήθηκαν στο νευρωνικό μοντέλο. Οι έξι νέες μεταβλητές (PCi, i=1..6) προέκυψαν με τη συμμετοχή όλων των μετεωρολογικών μεταβλητών, εμφανίζουν όμως υψηλή συσχέτιση με μερικές μόνο από αυτές. Για παράδειγμα, η PC1 εμφάνισε την υψηλότερη συσχέτιση με τη μετεωρολογική μεταβλητή, περιεκτικότητα της ατμόσφαιρας σε υδρατμούς (kg/m 2 ), γεγονός που οδηγεί
στο συμπέρασμα ότι η περιεκτικότητα της ατμόσφαιρας σε υδρατμούς έχει τη μεγαλύτερη επίδραση στη διαμόρφωση της PC1. Αντίστοιχη συμπερασματολογία προκύπτει και για τις άλλες κύριες συνιστώσες από τον Πίνακα συσχετίσεων μεταξύ των μετεωρολογικών μεταβλητών και των κυρίων συνιστωσών. 3) Τα συμπεράσματα για την περίοδο 2020-2050 είναι σαφή, δεν είναι όμως το ίδιο σαφής και η ερμηνεία της διαφοροποίησης των αποτελεσμάτων για την περίοδο 2050-2100. Χρειάζεται κάποιο σχόλιο πάνω σε αυτό, τί σημαίνει και πως μεταφράζεται. Οι συγγραφείς συμφωνούν με την υπόδειξη του Αξιολογητή C και ενσωμάτωσαν στο κείμενο της εργασίας σχόλιο, το οποίο με τη βοήθεια και του Σχήματος 6, αποσαφηνίζει πλήρως την ερμηνεία των αποτελεσμάτων. 4) Στον πίνακα 3, στην τελευταία γραμμή, το «2050-2100», να γίνει «2070-2100». Διορθώθηκε η περίοδος στον Πίνακα 3, σύμφωνα με την υπόδειξη του Αξιολογητή C