ارتقاء مدل‌سازی هیبرید با استفاده از مدلی کارآمد جهت پیش‌بینی بارندگی

نوع مقاله : مقاله علمی - پژوهشی

نویسنده

دانشیار دانشکده کشاورزی دانشگاه شهید مدنی آذربایجان، تبریز، ایران

چکیده

پیش­بینی بارندگی با­دقت کم منجر به ضررهای قابل­توجه در بخش­های مختلف مانند کشاورزی، محیط­زیست می­شود. در این راستا تأثیر مدل­های رگرسیون بردار پشتیبان (SVR)، برنامه­ریزی بیان ژن (GEP) وروش گروهی مدل­سازی داده­ها (GMDH) در ارتقاء عملکرد مدل هیبرید مورد بررسی قرار گرفت  که از داده­های بارندگی ایستگاه­های ارومیه و اصفهان با دو اقلیم متفاوت در بازه زمانی 1964-2019 استفاده شد. در مدل­سازی بخش غیرخطی، ترکیب سوم با ترکیب بخش خطی، باقی­مانده­ها و داده­های مشاهداتی در گام زمانی پیشین خطای کمتری داشت، به­عنوان نمونه در ایستگاه اصفهان میزان کاهشRMSE  از ترکیب 1 به 3،73/62 و میزان کاهش SMAPE  از ترکیب 2 به 3 برابر با 79/62 درصد بود. مدل هیبرید نسبت به مدل استوکستیکی دارای عملکرد بهتری بود، به­طوری که مقدار RMSE از مدل استوکستیکی به مدل­ هیبرید با SVR، GEP و GMDH در ایستگاه ارومیه به­ترتیب 46/79، 34/68 و 77/75 درصد کاهش داشت. مدل برنامه­ریزی بیان ژن نسبت به سایر مدل­های مورد مطالعه دقت کمتری داشت (در ایستگاه ارومیه میزان کاهش  UIIاز مدل GEP به SVR به­ترتیب برابر با 5/32 و 62/15 درصد و در ایستگاه اصفهان میزان افزایش ضریب نش-ساتکلیف از مدل GEP به GMDH برابر با 38/22 بود). میزان ضریب نش-ساتکلیف در هر سه مدل در ایستگاه ارومیه بیشتر از اصفهان بود( متوسط میزان کاهش ضریب نش-ساتکلیف از ایستگاه ارومیه به اصفهان 22/6 درصد بود) ولی مقدار ضریب در هر دو ایستگاه در محدوده قابل قبول است. بنابراین انتخاب مدل کارا با ترکیب درست در مدل­سازی بخش غیرخطی تأثیر چشمگیری در افزایش کارایی مدل­ هیبرید خواهد داشت.

کلیدواژه‌ها

موضوعات


1- برجی حسن گاویار، م. مقدم نیا، ع؛ و ساجدی، ف)1396(: بررسی کارایی دو روش داده محور در پیش‌بینی بارندگی ماهانه، پژوهش‌های دانش زمین، شماره سی و یکم 31، صص 42-61.
2- پورنعمت رودسری، ع. قادری، ک؛ و کریمی گوغری، ش (1393): مدل‌سازی فرآیند بارش-رواناب با استفاده از روش کنترل گروهی داده‌ها (GMDH) و شبکه‌های عصبی مصنوعی (ANN) در حوضه آبخیز پلرود، پژوهشنامه مدیریت حوضه آبخیز، شماره دهم، صص 84- 68.
3- سلگی، ا. زارعی، ح. شهنی دارابی، م؛ و علیدادی ده کهنه، ص (1397): پیش‌بینی بارش ماهانه با استفاده از مدل‌های برنامه‌ریزی بیان ژن و ماشین بردار پشتیبان، نشریه تحقیقات کاربردی علوم جغرافیایی، شماره پنجاه، صص 91- 103.
4- سلگی، ا. زارعی، ح. وگلابی، م.ر (1396): بررسی عملکرد مدل برنامه‌ریزی بیان ژن با روش‌های پیش‌پردازش داده‌ها جهت مدل‌سازی جریان رودخانه، پژوهش‌های حفاظت آب و خاک، شماره دو، صص 185-201.
5- شرفی، م. صمدیان فرد، س؛ و هاشمی، س. (1399): پیش‌بینی بارش ماهانه با استفاده از مدل‌های برنامه‌ریزی ژنتیک و ماشین بردار پشتیبان، سامانه‌های سطوح آبگیر باران، دوره هشت، صص 63-71.
6- Acosta, S.M. Amoroso, A.L. Sant’ Anna, Â.M.O. And Junior, O.C. (2021): Predictive Modeling In A Steelmaking Process Using Optimized Relevance Vector Regression And Support Vector Regression. Annals Of Operations Research, P.1-22.
7- Ahmadi, F. Mehdizadeh, S. Mohammadi, B. Pham, Q. B. Doan, T. N. C. And Vo. N. D. (2021):Application Of An Artificial Intelligence Technique Enhanced With Intelligent Water Drops For Monthly Reference Evapotranspiration Estimation: Agricultural Water Management, V. 244, 106622.
8- Chen, W. Xu, H. Chen, Z. And Jiang, M. (2021): A Novel Method For Time Series Prediction Based On Error Decomposition And Nonlinear Combination Of Forecasters: Neurocomputing, V. 22, P. 85-103.
9- Chen, S.T. Yu, P.S. And Tang, Y.H. (2010): Statistical Downscaling Of Daily Precipitation Using Support Vector Machines And Multivariate Analysis: Journal Of Hydrology, V. 385, P. 13-22.
10- Chen, K.Y. And Wang, C.H. (2007): A Hybrid SARIMA And Support Vector Machines In Forecasting The Production Values Of The Machinery Industry In Taiwan: Expert Systems With Applications, V. 32, P. 254-64.
11- Danandeh Mehr, A. (2018): An Improved Gene Expression Programming Model For Streamflow Forecasting In Intermittent Streams: Journal Of Hydrology, V.563, P. 669-78.
12- Kalteh, A.M. 2017: Enhanced Monthly Precipitation Forecasting Using Artificial Neural Network And Singular Spectrum Analysis Conjunction Models: INAE Letters, V.2, P.73-81.
13- Mislan, M. Haviluddin, H