بكارگيري الگوريتم ويتربي در پيش‌بيني وقوع بارندگي و شبيه‌سازي تداوم‌هاي خشك و تر – مقايسه با روش‌هاي متداول

Application of Viterbi’s Algorithm for Predicting Rainfall Occurrence and Simulating Wet\Dry Spells – Comparison with Common Methods

امروزه مدل¬های آماری بسیاری برای شبیه¬سازی سری زمانی گسسته وقوع و عدم وقوع بارش براساس داده¬های تاریخی وجود دارد كه تاكید آن¬ها بیشتر بر ساخت آماره¬های اقلیمی است. با این وجود، دقت مدل¬های شبیه¬ساز مذكور باید از نقطه¬نظر لحظه¬ای یا كوتاه¬مدت نیز بهبود یابد. در تحقیق حاضر فرض شده است كه ساختار وقوع بارش از مدل ماركف پنهان با یك لایه پنهان (سری گسسته وقوع و عدم وقوع) و یك لایه قابل-رویت تبعیت می¬كند، كه به طور موردی در ایستگاه سینوپتیك خرم¬آباد (دوره آماری 2005-1961) مورد بررسی قرار گرفت. از الگوریتم ویتربی برای حل مساله رمزگشایی سری زمانی توالی حالات تر و خشك استفاده شد. كاركرد پنج متغیر هواشناسی (فشارهوا در ایستگاه، فشار بخار آب، دامنه شبانه¬روزی دمای هوا، رطوبت نسبی و دمای نقطه شبنم) به عنوان توالی قابل¬رویت، براساس معیارهای دقت پیش¬بینی با هدف انتخاب بهترین متغیر در فرآیند رمزگشایی مورد ارزیابی قرار گرفته است. نتایج نشان داد كه متغیر دامنه شبانه¬روزی دمای هوا به عنوان مناسب¬ترین توالی قابل-رویت برای رمزگشایی سری گسسته خشك و تر ارزیابی می‌باشد كه می¬تواند به دلیل وجود ارتباط فیزیكی قوی بین آن¬ها باشد. همچنین خروجی الگوریتم ویتربی از دو نقطه¬نظر (آماره¬های اقلیمی و دقت پیش¬بینی) با خروجی مولدهای هواشناسی ClimGen و LARS-WG مقایسه شده است كه دقت پیش¬بینی الگوریتم ماركف پنهان مبتنی¬بر تمامی معیارها بسیار بیشتر از دو مولد هواشناسی است. بر این اساس، جایگزینی الگوریتم ارائه شده در تحقیق حاضر با دو رهیافت دیگر، برای تولید توالی داده‌های خشك و تر توصیه می¬گردد.

Today, there arevarious statistical models for the discrete simulation of the rainfall occurrence/non-occurrence with more emphasizing on long-term climatic statistics. Nevertheless, the accuracy of such models or predictions should be improved in short timescale. In the present paper, it is assumed that the rainfall occurrence/non-occurrence sequences follow a two-layer Hidden Markov Model (HMM) consist of a hidden layer (discrete time series of rainfall occurrence and non-occurrence) and an observable layer (weather variables), which is considered as a case study in Khoramabad station during the period of 1961-2005. The decoding algorithm of Viterbi has been used for simulation of wet/dry sequences. Performance of five weather variables, as the observable variables, including air pressure, vapor pressure, diurnal air temperature, relative humidity and dew point temperature for choosing the best observed variables were evaluated using some measures oferror evaluation. Results showed that the variable of diurnal air temperatureis the best observable variable for decoding process of wet/dry sequences, which detects the strong physical relationship between those variables. Also the Viterbi output was compared with ClimGen and LARS-WG weather generators, in terms of two accuracy measures including similarity of climatic statistics and forecasting skills. Finally, it is concluded that HMM has more skills rather than the other two weather generators in simulation of wet and dry spells. Therefore, we recommend the use of HMM instead of two other approaches for generation of wet and dry sequences.