بررسي پارامترهاي تاثيرگذار در مدلسازي بارش ماهانه با استفاده از مدل هاي تلفيقي هوشمند مبتني بر تجزيه سري زماني

Investigation of Effective Parameters in Modeling Monthly Precipitation using Intelligent Integrated Models Based on Time Series Decomposition

پيش بيني بارش در بسياري از جنبه هاي مختلف مديريت حوضه ها نظير سيستم هاي هشدار سيل و خشكسالي اهميت دارد. تغييرات زماني و مكاني بارش موجب دشوار شدن پيش بيني بارش مي شود. در تحقيق حاضر، پيش‌بيني بارش ماهانه ايستگاه هاي اروميه و ماكو با استفاده از روش هاي هوشمند مبتني بر كرنل و بر پايه روش تجزيه يكپارچه مد تجربي (EEMD) و تبديل موجك (DWT) مورد بررسي قرار گرفته است. بدين منظور، مدل‌هاي متفاوتي بر اساس شاخص هاي پيوند از دور و عناصر اقليمي شامل بارش، رطوبت و دماي ماه هاي پيشين تعريف شد و تأثير اين پارامترها در دقت مدلسازي مورد بررسي قرار گرفت. نتايج به دست آمده كارايي بالاي روش هاي تركيبي به كار رفته را در مدلسازي بارش ماهانه نشان داد. ملاحظه گرديد كه در پيش بيني بارش ماهانه، استفاده همزمان از شاخص هاي پيوند از دور و عناصر اقليمي مربوط به ماه هاي گذشته موجب بهبود دقت مدل ها تا حدود 35 درصد مي شود. بررسي روش هاي تجزيه يكپارچه مد تجربي و تبديل موجك گسسته نشان داد كه تجزيه سري زماني بر اساس تبديل موجك منجر به نتايج دقيق تري مي گردد. نتايج آناليز حساسيت نشان داد كه پارامتر بارش با تاخير سه ماهه تاثيرگذارترين پارامتر در مدل سازي بارش ماهانه مي باشد.

Rainfall forecasting is important in many different aspects of watershed management, such as flood and drought warning systems. Spatiotemporal variations of rainfall cause its prediction to be difficult. In this study, the monthly rainfall of Urmia and Mako stations were assessed using the intelligent kernel-based methods using Ensemble Empirical Mode Decomposition (EEMD) and Wavelet Transform (DWT). For this aim, different models were developed based on teleconnection patterns and climatic elements including rainfall, humidity, and temperature of previous months, and the impact of these parameters on accuracy of the modeling process was investigated. The obtained results showed the high efficiency of the integrated methods used in modeling process. It was observed that in the monthly precipitation modeling, the simultaneous use of teleconnection patterns and climatic elements related to previous months improves the accuracy of the models by up to 35%. Comparison of the wavelet transform and ensemble empirical mode decomposition showed that time series decomposition based on wavelet transform led to more accurate outcomes. The results of sensitivity analysis showed that the precipitation parameter with three months lag was the most effective parameter in monthly precipitation modeling.