توسعه روش هیبریدی موجک-الگوریتم Kstar برای پیش بینی بارش های ماهانه (مطالعه موردی: ایستگاه سینوپتیک اهواز)
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 77
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJSWR-52-2_008
تاریخ نمایه سازی: 31 اردیبهشت 1402
Abstract:
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.
Keywords:
Authors
فرشاد احمدی
Assistant Professor, Department of Hydrology and Water Resources, Faculty of Water and Environmental Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran.
محمدامین مداح
Assistant Professor, Department of Hydrology and Water Resources, Faculty of Water and Environmental Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran.
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :