ارزيابي مدل تركيبي موجك – حداقل مربعات ماشين بردار پشتيبان در ريزمقياس كردن مكاني - زماني سري هاي زماني بارش

Evaluation of wavelet – least square support vector machine hybrid model to rainfall time series spatiotemporal disaggregation

با توجه به نياز شبيه سازي سري هاي زماني بارش در مقياس هاي مختلف براي مقاصد مهندسي از يك طرف و عدم ثبت اين پارامترها در مقياس هاي ريز بدليل مشكلات اجرايي و اقتصادي از طرف ديگر، ريزمقياس كردن بارش به مقياس مورد نظر، يك امر ضروري مي باشد. در اين مطالعه، براي ريزمقياس كردن سري زماني بارش ايستگاه هاي تبريز و سهند، با توجه به ويژگي هاي غيرخطي مقياس هاي زماني، مدل تركيبي موجك – حداقل مربعات ماشين بردار پشتيبان (WLSSVM) پيشنهاد شده و داده هاي سري زماني ماهانه شش ايستگاه و روزانه چهار ايستگاه بارش حوضه آبريز درياچه اروميه، براي 10 سال بوسيله تبديل موجك به زيرسري هاي زماني تجزيه شده و سپس با استفاده از معيارهاي اطلاعات متقابل و ضريب همبستگي، زيرسري ها رتبه بندي شده و براي ريزمقياس كردن سري زماني ماهانه ايستگاه هاي تبريز و سهند به روزانه، زيرسري هاي برتر به عنوان داده هاي ورودي به مدل حداقل مربعات ماشين بردار پشتيبان (LSSVM) وارد شد. نتايج حاصل از مدل WLSSVM، با نتايج كاربرد روش LSSVM و روش كلاسيك رگرسيون چند متغيره خطي، مقايسه شد. در مجموع نتايج مدل WLSSVM نسبت به مدل هاي LSSVM و رگرسيون چند متغيره خطي براي اعتبارسنجي در حالت بهينه ايستگاه تبريز به ترتيب 10% و 37.5% و در حالت بهينه ايستگاه سهند، به ترتيب 24.5% و 46.7% افزايش نشان داد. لذا ملاحظه گرديد كه روش WLSSVM نسبت به دو روش ديگر، دقت بالاتري داشته و به عنوان روشي مناسب جهت ريزمقياس كردن سري هاي زماني بارش پيشنهاد مي گردد.

The need to simulate rainfall time series at different scales for engineering purposes on the one hand and lack of recording such parameters in small scales because of administrative and economic problems, on the other hand, disaggregation of rainfall time series to the desired scale is an essential topic. In this study, for disaggregating the Tabriz and Sahand rain gauges time series, according to nonlinear characteristics of time scales, wavelet- Least Square Support Vector Machine (WLSSVM) hybrid model is proposed and daily data of four rain gauges and monthly data of six rain gauges from Urmia Lake Basin for ten years were decomposed with wavelet transform and then by using mutual information and correlation coefficient criteria, the subseries were ranked and superior subseries were used as input data of Least Square Support Vector Machine (LSSVM) model for disaggregating the Tabriz and Sahand rain gauges monthly rainfall time series to the daily time series. Results obtained from the WLSSVM disaggregation model were compared with the results of LSSVM and traditional multiple linear regression models. The results of WLSSVM model to LSSVM and multiple linear regression models at validation stage in the optimized case for Tabriz rain gauge were increased 10% and 37.5% and in the optimized case for Sahand rain gauge were increased 24.5% and 46.7% respectively. It was concluded that hybrid WLSSVM model has a higher accuracy than two other methods and can be considered as an accurate disaggregation model to disaggregate the rainfall time series