كاربرد الگوريتم هيبريدي ماشين بردار پشتيبان حداقل مربعات-نهنگ (LSSVM_WOA) جهت ريز مقياس نمايي و پيش بيني بارش تحت شرايط تغيير اقليم (مطالعه موردي: حوضه كارون 3)

در پژوهش حاضر، با استفاده از روش هاي يادگيري شامل الگوريتم هيبريدي ماشين بردار پشتيبان حداقل مربعات و الگوريتم بهينه سازي نهنگ (LSSVM_WOA)، K نزديكترين همسايه (KNN) و شبكه عصبي مصنوعي (ANN) اقدام به ريز مقياس نمايي بارش در شش ايستگاه حوزه كارون 3 پرداخته شده است. براي ريز مقياس نمايي بارش، ابتدا روز هاي سال با استفاده الگوريتم هاي MARS و درخت مدل M5 به روز هاي تر و خشك تقسيم مي شوند. سپس، مقدار بارش براي روز هاي تر با استفاده از هر يك از روش هاي LSSVM_WOA، KNN و ANN تخمين زده مي شود. نتايج پژوهش حاكي از برتري الگوريتم MARS نسبت به M5 مي باشد. همچنين، براساس ميانگين بارش شش ايستگاه الگوريتم ANN با 0.5 درصد ضريب نش بيشتر، اندكي بهتر از الگوريتم LSSVM_WOA عمل مي كند. در حالي كه با در نظر گرفتن ميانگين انحراف معيار مقدار ضريب نش براي الگوريتم ANN تا 5.04 درصد دقيق تر از الگوريتم LSSVM_WOA است. در نهايت مقدار بارش براي افق هاي 2020- 2040 و 2070-2100 تحت سناريو هاي مدل CanESM2 شامل RCP2.6، RCP4.5 و RCP8.5 پيش بيني شده است. نتايج حاصل از الگوريتم LSSVM_WOA حاكي از كاهش بارش نسبت به دوره پايه (1972-2001) تحت هر سه سناريو مي باشد. بيشترين مقدار كاهش بارش برابر با 18 درصد و براي سناريو RCP8.5 در افق 2070-2100 محاسبه شده است. كمترين مقدار كاهش بارش (1 درصد) نيز مربوط به سناريو RCP2.6 در افق 2020-2040 مي باشد. اما مقدار تغييرات بارش پيش بيني شده توسط ANN در دوره آينده نسبت به دوره پايه از 43- درصد تا 72 درصد تغيير مي كند. بنابراين، جواب هاي حاصل از LSSVM_WOA به دليل عدم قطعيت كمتر، قابل اعتماد تر است.