ارزيابي روش هيبريد در پيش‌بيني سري زماني بارندگي در مناطق ساحلي

پيش‌بيني بارندگي تأثير مهمي بر مطالعات منابع آب مانند مطالعات مهندسي رودخانه، سيستم‌هاي هشدار سيل و غيره دارد. كاربرد هوش مصنوعي در مباحث مختلف منابع آب بسيار مورد توجه بوده است و اغلب نتايج قابل قبولي ارائه داده است. هدف از اين تحقيق پيش‌بيني سري زماني ماهانه بارندگي در 3 ايستگاه با شرايط آب و هوايي متفاوت در استان گلستان با استفاده از سه روش، شامل 1: آريما (ARIMA)، 2: ماشين بردار پشتيبان (SVM) و 3: هيبريد (ARIMA-SVM) مي‌باشد. آريما بر اساس روش‌هاي آماري، ماشين بردار پشتيبان با استفاده از هوش مصنوعي و هيبريد با تركيب اين دو روش سري زماني بارندگي را پيش‌بيني كردند. در روش هيبريد به منظور پيش‌بيني سري زماني از ARIMA جزء خطي و از SVM جزء غيرخطي استفاده گرديد. در اين تحقيق بررسي جامعي از توانايي روش SVM و روش جديد هيبريد در پيش‌بيني سري زماني بارندگي و مقايسه آن با روش معمول ARIMA صورت گرفت. نتايج حاصل از شبيه‌سازي سري زماني بارندگي در 3 ايستگاه نشان داد در مرحله آزمون روش SVM نسبت به ARIMA به طور متوسط ضريب تعيين را 16درصد افزايش و خطا را 26 درصد كاهش داده است. همچنين روش ARIMA-SVM به طور متوسط توانسته نسبت به SVM مقدار ضريب تعيين را 6 درصد افزايش و خطا را حدود 46 درصد كاهش دهد. پراكندگي نقاط حول خط 1:1 در روش ARIMA-SVM در تمام دامنه بارندگي نسبت به دو روش ديگر كمتر است و اين روش توانسته در تمام دامنه، پيش‌بيني مناسبي انجام دهد. مقايسه مقادير خطا در ماه‌هاي مختلف نشان داد بيشترين خطا در پيش‌بيني بارندگي مربوط به ماه‌هاي كم بارش‌ است. همچنين مقايسه ميانگين داده‌هاي روش هيبريد با مقادير واقعي در مرحله آزمون نشان داد مشخصات آماري داده‌هاي اوليه حفظ شده است. در مجموع بررسي‌ها نشان داد روش هيبريد به عنوان يك گزينه مناسب براي پيش‌بيني سري زماني بارندگي است.