ارتقاء مدل سازي هيبريد با استفاده از مدلي كارآمد جهت پيش بيني بارندگي

Improving hybrid modeling using an efficient model for rainfall forecasting

.پيش بيني بارندگي با دقت كم منجر به ضررهاي قابل توجه در بخش هاي مختلف مانند كشاورزي، محيط زيست مي شود. در اين راستا تاثير مدل هاي رگرسيون بردار پشتيبان (SVR)، برنامه ريزي بيان ژن (GEP) وروش گروهي مدل سازي داده ها (GMDH) در ارتقاء عملكرد مدل هيبريد مورد بررسي قرار گرفت كه از داده هاي بارندگي ايستگاه هاي اروميه و اصفهان با دو اقليم متفاوت در بازه زماني 1964-2019 استفاده شد. در مدل سازي بخش غيرخطي، تركيب سوم با تركيب بخش خطي، باقي مانده ها و داده هاي مشاهداتي در گام زماني پيشين خطاي كمتري داشت، به عنوان نمونه در ايستگاه اصفهان ميزان كاهشRMSE از تركيب 1 به 73 62/3 و ميزان كاهش SMAPE از تركيب 2 به 3 برابر با 62/79 درصد بود. مدل هيبريد نسبت به مدل استوكستيكي داراي عملكرد بهتري بود، به طوري كه مقدار RMSE از مدل استوكستيكي به مدل هيبريد با SVR، GEP و GMDH در ايستگاه اروميه به ترتيب 79/46، 68/34 و 75/77 درصد كاهش داشت. مدل برنامه ريزي بيان ژن نسبت به ساير مدل هاي مورد مطالعه دقت كمتري داشت (در ايستگاه اروميه ميزان كاهش UIIاز مدل GEP به SVR به ترتيب برابر با 32/5 و 15/62 درصد و در ايستگاه اصفهان ميزان افزايش ضريب نش-ساتكليف از مدل GEP به GMDH برابر با 22/38 بود). ميزان ضريب نش-ساتكليف در هر سه مدل در ايستگاه اروميه بيشتر از اصفهان بود(متوسط ميزان كاهش ضريب نش-ساتكليف از ايستگاه اروميه به اصفهان 6/22 درصد بود) ولي مقدار ضريب در هر دو ايستگاه در محدوده قابل قبول است. بنابراين انتخاب مدل كارا با تركيب درست در مدل سازي بخش غيرخطي تاثير چشمگيري در افزايش كارايي مدل هيبريد خواهد داشت.

Low-precision rainfall forecasting leads to significant losses in various sectors such as agriculture and the environment. In this regard, the effect of support vector regression (SVR), gene expression programming (GEP) and group data modeling (GMDH) models on improving the performance of the hybrid model was examined, which is based on station rainfall data. Urmia and Isfahan with two different climates were used in the period 1964-2019. In nonlinear section modeling, the third combination with the linear section combination, residuals and observational data in the previous time step had less error, for example in Isfahan station, the rate of RMSE reduction from combination 1 to 3.73 / 62 an‎d the rate of SMAPE reduction from 2 to 3 was equal to 62.79%. The hybrid model had better performance than the stochastic model, so that the amount of RMSE from the stochastic model to the hybrid model with SVR, GEP and GMDH at Urmia station decreased by 79.46, 68.34 and 75.77%, respectively. . The gene expression programming model was less accurate than the other models studied (in Urmia station, the rate of UII reduction from GEP to SVR model was 32.5 and 15.62%, respectively, and in Isfahan station, the rate of increase in Nash coefficient was Sutcliffe from GEP to GMDH was 22.38). The amount of Nash-Sutcliffe coefficient in all three models in Urmia station was higher than Isfahan (the average rate of decrease in Nash-Sutcliffe coefficient from Urmia station to Isfahan was 6.22%) but the value of coefficient in both stations is within acceptable range. Therefore, choosing an efficient model with the right combination in nonlinear modeling will have a significant effect on increasing the efficiency of the hybrid model.