توسعه روش هیبریدی موجک-الگوریتم Kstar برای پیش بینی بارش های ماهانه (مطالعه موردی: ایستگاه سینوپتیک اهواز)

پیش­بینی متغیرهای هیدرولوژیک و به ویژه بارش نقش بسیار مهمی در مدیریت و برنامه­ریزی منابع آبی داشته و از این­رو توسعه روش­هایی که بتواند تخمین دقیقی از آن را به دست دهد همواره مورد توجه محققان بوده است. در این پژوهش از داده­های بارش ایستگاه سینوپتیک اهواز در دوره آماری ۲۰۱۸-۱۹۶۱ برای توسعه مدل­های هیبریدی موجک Kstar (WKstar) و برنامه­ریزی بیان ژن (WGEP) استفاده شد. عملکرد مدل­های به کار رفته با شاخص­های آماری ضریب همبستگی (CC)، نش- ساتکلیف (NS)، کلینگ گوپتا (KGE) و ضریب ویلموت (WI) مورد بررسی قرار گرفت. در ابتدا مدل­های منفرد Kstar و GEP با ورودی­های بارش تاخیر یافته تا چهار ماه قبل و شماره ماه­ها اجرا شدند. نتایج نشان داد که هر دو مدل با تاخیر زمانی یک ماه (الگوی M۱) به بیشترین دقت رسیده اما عملکرد آنها بسیار ضعیف و غیرقابل قبول بود. با توجه به اینکه هر دو مدل با الگوی M۱ بهترین عملکرد را داشته­اند از این رو بارش­های یک ماه قبل با استفاده از پنج تابع موجک مختلف به زیرسری­های تقریب و جزئیات تجزیه شده و مجددا به مدل­ها معرفی شدند. نتایج نشان داد که عملکرد مدل­های هیبریدی موجک نسبت به حالت منفرد بسیار بهبود یافته به طوری که شاخص NS از ۱۳۹/۰ به ۶۰۷/۰ افزایش یافت. همچنین بهترین عملکرد مدل­های هیبریدی WKstar و WGEP با ورودی­های تابع موجک دابچیز چهار و سطح تجزیه دو به دست آمده و از نظر آماری اختلاف معنی­داری بین دو مدل هیبریدی توسعه یافته وجود نداشت، اما با استفاده از نمودار ویولونی مشخص گردید که مدل WKstar برای پیش­بینی بارش­های ایستگاه سینوپتیک اهواز مناسب­تر می­باشد.

توسعه روش هیبریدی موجک-الگوریتم Kstar برای پیش بینی بارش های ماهانه (مطالعه موردی: ایستگاه سینوپتیک اهواز) Keywords:

Decomposition Level , Mother wavelet , Willmott index , Violin plot