توسعه روش هيبريدي موجك-الگوريتم Kstar براي پيش‌بيني بارش‌هاي ماهانه (مطالعه موردي: ايستگاه سينوپتيك اهواز)

پيش بيني متغيرهاي هيدرولوژيك و به ويژه بارش نقش بسيار مهمي در مديريت و برنامه ريزي منابع آبي داشته و از اين رو توسعه روش هايي كه بتواند تخمين دقيقي از آن را به دست دهد همواره مورد توجه محققان بوده است. در اين پژوهش از داده هاي بارش ايستگاه سينوپتيك اهواز در دوره آماري 20181961 براي توسعه مدل هاي هيبريدي موجك Kstar (WKstar) و برنامه ريزي بيان ژن (WGEP) استفاده شد. عملكرد مدل هاي به كار رفته با شاخص هاي آماري ضريب همبستگي (CC)، نش ساتكليف (NS)، كلينگ گوپتا (KGE) و ضريب ويلموت (WI) مورد بررسي قرار گرفت. در ابتدا مدل هاي منفرد Kstar و GEP با ورودي هاي بارش تاخير يافته تا چهار ماه قبل و شماره ماه ها اجرا شدند. نتايج نشان داد كه هر دو مدل با تاخير زماني يك ماه (الگوي M1) به بيشترين دقت رسيده اما عملكرد آنها بسيار ضعيف و غيرقابل قبول بود. با توجه به اينكه هر دو مدل با الگوي M1 بهترين عملكرد را داشته اند از اين رو بارش هاي يك ماه قبل با استفاده از پنج تابع موجك مختلف به زيرسري هاي تقريب و جزئيات تجزيه شده و مجدداً به مدل ها معرفي شدند. نتايج نشان داد كه عملكرد مدل هاي هيبريدي موجك نسبت به حالت منفرد بسيار بهبود يافته به طوري كه شاخص NS از 0.139 به 0.607 افزايش يافت. همچنين بهترين عملكرد مدل هاي هيبريدي WKstar و WGEP با ورودي هاي تابع موجك دابچيز چهار و سطح تجزيه دو به دست آمده و از نظر آماري اختلاف معني داري بين دو مدل هيبريدي توسعه يافته وجود نداشت، اما با استفاده از نمودار ويولوني مشخص گرديد كه مدل WKstar براي پيش بيني بارش هاي ايستگاه سينوپتيك اهواز مناسب تر مي باشد.