رهيافت تركيب وزني مدل‌ها با روش‌هاي عكس واريانس و رگرسيون حداقل مربعات در تخمين دماي نقطه شبنم

Weight combinations approach of models with inverse variance and least square regression methods for dew point temperature estimation

برآورد دماي نقطه شبنم با روشي كارآمد در بسياري از زمينه‌ها مانند برنامه‌ريزي‌هاي بخش كشاورزي از جمله محافظت محصولات در برابر صدمات، مطالعات هواشناسي، هيدرولوژيكي و اكولوژيكي مفيد مي‌باشد. در اين تحقيق از رهيافت تركيب پيش‌بيني مدل-هاي رگرسيون درختي، روش گروهي مدلسازي داده‌ها(GMDH) و روش تجربي جهت تخمين دماي نقطه شبنم در ايستگاه‌هاي رشت، يزد و اروميه استفاده شد. داده‌هاي ورودي مدل‌هاي منفرد شامل داده‌هاي بيشينه سرعت باد، ميانگين سرعت باد، دماي بيشينه، دماي كمينه، متوسط دما، متوسط رطوبت نسبي، كمينه و بيشينه رطوبت نسبي و فشار بخار اشباع بودند. رهيافت تركيبي براساس رويكرد وزني با روش‌هاي عكس واريانس و رگرسيون حداقل مربعات انجام گرفت. در مدل‌هاي منفرد، مدل GMDH نسبت به ساير مدل‌ها از كارايي بالايي برخوردار است به طوري كه ميزان كاهشRMSE از روش تجربي و رگرسيون درختي به مدل GMDH در ايستگاه رشت به ترتيب 66/66 و 45/59 درصد مي‌باشد. رهيافت تركيبي نسبت به مدل‌هاي انفرادي دقت عمل بالايي دارد و روش رگرسيون حداقل مربعات نسبت به روش عكس واريانس با معيارهاي خطاي متفاوت داراي خطاي كمتري است، به طوري كه محاسبه ضريب نش-ساتكليف در ايستگاه‌هاي رشت، اروميه و يزد به ترتيب 97/0، 96/0 و 87/0 مي‌باشد. همچنين نوع معيار خطاي مورد استفاده و توان تعريف شده در روش عكس واريانس در مقادير پيش‌بيني موثر است و توان مناسب مربوط به خطا براساس داده‌هاي موجود ارائه شد.در بررسي تاثير تنوع اقليمي، ايستگاه رشت داراي كمترين خطا مي‌باشد. همچنين عملكرد رهيافت تركيبي با استفاده ار مدل‌هاي منفرد قوي افزايش مي‌يابد.

Dew point temperature estimation with proper method is useful in many fields such as agricultural planning including crop protection to the damages, meteorological, hydrological and ecological studies. In this study, the forecast combination approach of regression tree, Group Method of Data Handling(GMDH) and experimental method were applied to forecast dew point temperature in Rasht, Yazd and Urmia stations. The input variables of individual models were the maximum wind speed, mean wind speed, maximum, minimum and mean temperature, mean relative humidity, maximum and minimum relative humidity and saturation vapor pressure. The used methods of weight combination approach were inverse variance and least square regression. In the individual models, GMDH is more efficient than other models, so that the RMSE decreasing from empirical and regression tree to GMDH model in Rasht station is 66.66% and 59.45%, respectively. The combination approach is more accurate rather than the individual models and least square regression method has less error than the inverse variance with different error criteria, so that Nash-Sutcliff coefficient in Rash, Urmia and Yazd stations is 0.97,0.96 and 0.87, respectively. Also, the kind of error criteria and defined power in the inverse variance method is effective on forecasting values and the proper power basis on available data was proposed. In order to investigate the impact of climate diversity, Rasht station has the least error. The use of robust individual models will also increase the ability of forecast combination approach.