بهبود پيش بيني بارش ماهانه با استفاده از مدل تلفيقي بر پايه روش كرنل- تبديل موجك و تجزيه ي يكپارچه مد تجربي كامل

Monthly precipitation prediction improving using the integrated model based on kernel-wavelet and complementary ensemble empirical mode decomposition

بارش يكي از مهم ترين اجزاي چرخه آب بوده و در سنجش خصوصيات اقليمي هر منطقه، نقش بسيار مهمي ايفا مي كند. تخمين مقادير بارش ماهانه براي اهداف مختلفي چون برآورد سيلاب، خشكسالي، برنامه ريزي آبياري و مديريت حوضه هاي آبريز اهميت زيادي دارد. در تحقيق حاضر، پيش بيني بارش ماهانه ايستگاه تبريز با استفاده از روش هوشمند رگرسيون فرآيند گاوسي (GPR) بر پايه روش تجزيه يكپارچه مد تجربي كامل (CEEMD) و تبديل موجك (WT) مورد بررسي قرار گرفته است. در اين راستا، مدلهاي متفاوتي بر اساس شاخصهاي پيوند از دور و عناصر اقليمي تعريف شد و نرخ تاثير پارامترهاي ورودي مختلف مورد بررسي قرار گرفت. نتايج حاصل از تحليل مدلها قابليت و كارايي بالاي روش به كار رفته را در تخمين ميزان بارش ماهانه به خوبي نشان داد. ملاحظه گرديد كه در پيش بيني بارش ماهانه، شاخصهاي پيوند از دور NAO, Nino3 ,MEI و عناصر اقليمي شامل ميانگين دماي ماهانه و رطوبت نسبي و همچنين بارش مربوط به ماه هاي گذشته در پيش بيني مقادير بارش تاثيرگذار بوده و موجب بهبود نتايج مدل ها مي گردد. در بررسي روش هاي تجزيه ي يكپارچه مد تجربي كامل و تبديل موجك گسسته مشاهده گرديد كه تجزيه براساس تبديل موجك منجر به نتايج دقيق تري مي گردد. بهترين حالت ارزيابي براي داده هاي آزمون با استفاده از تجزيه ي تبديل موجك در حالت مدلسازي بر اساس داده هاي اقليمي و عناصر پيوند از دور با مقادير DC=0.889, R=0.961 and RMSE=0.036. بدست آمد. همچنين براساس نتايج آناليز حساسيت مشخص گرديد Pt-3 تاثيرگذارترين پارامتر در مدل سازي است.

Precipitation is one of the most important components of water cycle and plays an important role in assessing the climatic characteristics of each region. Estimates of monthly rainfall are important for various purposes such as flood estimation, drought, irrigation planning, and river basin management. In the present study, the monthly rainfall of Tabriz station was investigated using the intelligent Gaussian Process Regression (GPR) method based on Complementary Ensemble Empirical Mode Decomposition (CEEMD) and Wavelet Transform (WT). In this regard, different models were defined based on teleconnection patterns and climatic elements, and the impact of different input parameters was assessed. The obtained results from the models proved the high capability and efficiency of the applied method in predicting the monthly precipitation. It was observed that in prediction of the monthly precipitation, NAO, Nino3, MEI and climatic elements including mean monthly temperature and relative humidity, as well as precipitation related to the previous months, are effective in prediction and improve the models accuracy. The results showed that time series decomposition based on wavelet transformation led to more accurate outcomes compared to the complementary ensemble empirical mode decomposition. The best evaluation of test series using wavelet transform decomposition was obtained for the state of modeling based on teleconnection patterns and climatic elements with the values of DC=0.889, R=0.961 and RMSE=0.036. Also, based on the sensitivity analysis, Pt-3 was found to be the most effective parameter in modeling.