توسعه يك مدل جديد تركيبي احتمالاتي كلاس مبنا براي پيش‌بيني بارش ماهانه

Developing a New Class-based Probabilistic Hybrid Model for Monthly Precipitation Forecasting

پيش‌بيني بارش ماهانه با دقت زياد يكي از چالش‌هاي مهم در علوم هيدرولوژي و هواشناسي مي‌باشد و در برنامهريزي منابع آب از اهميت بالايي برخوردار است. در تحقيق حاضر، يك مدل تركيبي احتمالاتي كلاس مبنا (CPHM) بر پايه تركيب روش‌هاي كلاسبندي و توابع كرنل احتمالاتي توسعه داده شده است كه با استفاده از آن مي‌توان بر اساس بارش‌هاي فصلي (ورودي مدل)، بارش ماهانه (خروجي مدل) را با دقت بالايي براي تمامي ‌ماه‌هاي يك فصل پيش‌بيني نمود. برتري‌هاي اين مدل نسبت به روش‌هاي مرسوم پيش‌بيني ماهانه بارش، از يك سو قابليت آن براي پيش‌بيني بارش ماهانه براي فصلي نظير پاييز در ايران مي‌باشد كه ماه‌هاي قبل از آن (در تابستان) بدون بارش است، و از سوي ديگر قابليت آن براي پيش‌بيني هم‌زمان بارش براي تمامي ماه‌هاي يك فصل مي‌باشد كه از نظر مديريت منابع آب بسيار ارزشمند است. از اين‌رو، به منظور ارزيابي كارآيي اين مدل، مدل مذكور براي پيش‌بيني بارش ماهانه پاييزه در حوضه آبريز كرخه كه دربرگيرنده جلگه حاصلخيز خوزستان است، بكار گرفته شد و عملكرد آن با مدل شبكه عصبي مصنوعي (ANN) با ساختار بهينه شده نيز مورد مقايسه قرار گرفت. نتايج نشان‌دهنده عملكرد بالاي مدل CPHM و برتري آن در مقايسه با مدل بهينه شده ANN براي پيش‌بيني بارش در هر سه ماه فصل پاييز مي‌باشد؛ به‌طوري كه متوسط دقت نتايج در مرحله صحتسنجي اين مدل براي سه ماه پاييز بر اساس شاخص‌هاي نش- ساتكليف (NSE)، جذر ميانگين مربعات خطا (RMSE) و ضريب همبستگي پيرسون (PCC) به ترتيب برابر با 0/7، 12 و 0/86 مي‌باشد.

High accuracy forecasting of monthly precipitation is one of the major challenges in hydrology and meteorology and is of great importance in water resources planning. In the current research a Class-Based Probabilistic Hybrid Model (CPHM) has been developed on the basis of a hybrid of classification methods and probabilistic kernel functions. Using this method, monthly precipitation (model output) can be forecasted more accurately for all months of a season according to seasonal precipitation (model input). The superiorities of this model over conventional monthly rainfall forecasting methods are on the one hand, its capability for monthly precipitation forecasting for a season such as autumn in Iran the previous months of which in summer have no precipitation, and on the other hand, the simultaneous prediction of precipitation for all months of a season which is valuable in terms of water resources management. In order to evaluate this model, it was applied to forecast autumnal monthly precipitation for Karkheh basin which includes Khuzestan fertile plain and its efficiency was compared to an optimized structural ANN model. Results revealed a high performance for the developed CPHM model while it was also superior to ANN model for its precipitation forecasts for all three months of autumn. The average accuracy of the model resulted from validation phase for three autumn months based on Nash-Sutcliff (NSE), Root Mean Square Error (RMSE), and Pearson correlation coefficient (PCC) indices were 0.7, 12, and 0.86, respectively.