بهره‌گیری از الگوریتم‌های تلفیقی SVR و GPR با موجک در مدل‌سازی و پیش‌بینی ماهانه خشک‌سالی

Abstract

چکیده مقدمه: خشک‌سالی یکی از مخاطرات طبیعی است که به دلیل متأثر بودن از پارامترهای مختلف اقلیمی دارای رفتاری تصادفی و غیرخطی است. شاخص SPI به‌عنوان مرسوم‌ترین شاخص مستخرج شده از بارندگی می‌باشد که در مدل‌سازی خشک‌سالی مورداستفاده محققین مختلف قرارگرفته است. استفاده از روشهای هوش محاسباتی جهت مدل­سازی خشک­سالی در سالهای اخیر بسیار مورد توجه محققین حوزه منابع آب بوده است. روش­: در این تحقیق از الگوریتم‌های SVR و GPR به صورت منفرد و همچنین تلفیق این الگوریتم­ها با فن موجک به مدل­سازی و پیش­بینی شاخص SPI پرداخته شده است و هدف بررسی میزان بهبود نتایج الگوریتم­های هوش محاسباتی در تلفیق با موجک بوده است. در این تحقیق از اطلاعات سری زمانی 10 ایستگاه سینوپتیک ایران در بازه زمانی 1961 تا 2017 به صورت ماهانه جهت مدل­سازی خشک­سالی به عنوان ورودی الگوریتم­های مورد مطالعه استفاده شده است. یافته­ ها: نتایج این پژوهش نشان داد که استفاده از روش موجک در تلفیق با الگوریتم­های هوش محاسباتی SVR و GPR سبب بهبود نتایج در تمامی مقیاس­های زمانی گردید. همچنین میزان بهبود مدل‌سازی ناشی از استفاده از موجک در تلفیق با مدل SVR با میانگین تفاضل RMSE برابر با 1540/0- و تفاضل R2 برابر 1491/0 و در مدل GPR با میانگین تفاضل RMSE برابر با 1554/0- و تفاضل R2 برابر 1530/0 نسبت به مدل‌های منفرد SVR و GPR نشان داد که مدل GPR در حالت کلی (همه مقیاس‌های زمانی و تمامی ایستگاه‌ها) بهبود بهتری در مدل هیبریدی نسبت به مدل منفرد داشته است.