بررسی کارآیی دو روش داده محور در پیش بینی بارندگی ماهانه

پیش بینی دقیق بارش باران به خصوص در مناطق خشک و نیمه خشک، نقش مهمی را در مدیریت موثر منابع آب بازی می کند. حصول روش های مناسب و دقیق در پیش بینی بارندگی یکی از مسائل چالش انگیز امروزی، در مدیریت منابع آب و مخاطرات اقلیمی است. اگرچه تحقیقات گسترده ای در زمینه کاربرد مدل های هوش محاسباتی به منظور پیش بینی های اقلیمی صورت گرفته است، اما انتخاب نوع و تعداد متغیرهای ورودی به هرکدام از این مدل ها همواره مدل­سازان را با مسائلی روبرو کرده است. هدف از این تحقیق، بررسی تاثیر پیش پردازش داده ها در انتخاب بهترین ترکیب ورودی از متغیرهای تاثیرگذار بر فرآیند بارش با استفاده از آزمون گاما برای پیش بینی بارش ماهانه با دو مدل رگرسیون بردار پشتیبان و برنامه­ریزی بیان ژن می باشد. برای این منظور، از روش های آزمون گاما و آنالیز همبستگی برای پیش پردازش ورودی مدل های مورد استفاده در این تحقیق تحت یک مطالعه موردی با استفاده از داده های اقلیمی ماهانه مربوط به ایستگاه سینوپتیک شیراز در طی سال های ۱۳۶۲ تا ۱۳۹۰ استفاده شد. کارآیی این مدل ها با استفاده از ضرایب تبیین، ریشه میانگین مربعات خطا و ضریب کارآیی ناش-ساتکلیف ارزیابی گردید. نتایج نشان داد که مدل ترکیبی گاما-رگرسیون بردار پشتیبان، بارندگی ماهانه را بهتر از سایر مدل های استفاده شده در این تحقیق پیش بینی می کند. ولی آزمون گاما نتوانست کارایی مدل برنامه ریزی بیان ژن را به اندازه مدل رگرسیون بردار پشتیبان بهبود بخشد. هم­چنین براساس نتایج حاصله، متغیرهای ساعات آفتابی، رطوبت نسبی، بارندگی یک ماه گذشته و دما به ترتیب جزء موثرترین متغیرها در پیش بینی بارندگی ماهانه می باشند.

Keywords:

آزمون گاما , بارندگی , برنامه ریزی بیان ژن , پیش بینی , رگرسیون بردار پشتیبان