بررسي كارآيي دو روش داده محور در پيش بيني بارندگي ماهانه

Performance Improvement of Two Data-driven Techniques

پيش بيني دقيق بارش باران به خصوص در مناطق خشك و نيمه خشك، نقش مهمي را در مديريت موثر منابع آب بازي مي كند. حصول روش هاي مناسب و دقيق در پيش بيني بارندگي يكي از مسائل چالش انگيز امروزي، در مديريت منابع آب و مخاطرات اقليمي است. اگرچه تحقيقات گسترده اي در زمينه كاربرد مدل هاي هوش محاسباتي به منظور پيش بيني هاي اقليمي صورت گرفته است، اما انتخاب نوع و تعداد متغيرهاي ورودي به هركدام از اين مدل ها همواره مدل سازان را با مسائلي روبرو كرده است. هدف از اين تحقيق، بررسي تاثير پيش پردازش داده ها در انتخاب بهترين تركيب ورودي از متغيرهاي تاثيرگذار بر فرآيند بارش با استفاده از آزمون گاما براي پيش بيني بارش ماهانه با دو مدل رگرسيون بردار پشتيبان و برنامه ريزي بيان ژن مي باشد. براي اين منظور، از روش هاي آزمون گاما و آناليز همبستگي براي پيش پردازش ورودي مدل هاي مورد استفاده در اين تحقيق تحت يك مطالعه موردي با استفاده از داده هاي اقليمي ماهانه مربوط به ايستگاه سينوپتيك شيراز در طي سال هاي 1362 تا 1390 استفاده شد. كارآيي اين مدل ها با استفاده از ضرايب تبيين، ريشه ميانگين مربعات خطا و ضريب كارآيي ناش-ساتكليف ارزيابي گرديد. نتايج نشان داد كه مدل تركيبي گاما-رگرسيون بردار پشتيبان، بارندگي ماهانه را بهتر از ساير مدل هاي استفاده شده در اين تحقيق پيش بيني مي كند. ولي آزمون گاما نتوانست كارايي مدل برنامه ريزي بيان ژن را به اندازه مدل رگرسيون بردار پشتيبان بهبود بخشد. هم چنين براساس نتايج حاصله، متغيرهاي ساعات آفتابي، رطوبت نسبي، بارندگي يك ماه گذشته و دما به ترتيب جزء موثرترين متغيرها در پيش بيني بارندگي ماهانه مي باشند.

Accurate prediction of the rainfall plays a key role in effective water resources management، ، especially in arid and semi-arid regions. Achieving reliable and accurate precipitation forecasts is one of today's challenging issues in water resources management and climate hazards. Even though the great deal of research has been conduted on application of computational intelligence models for climatic forecasting، but selecting the best combination of inputs to such models، modellers have faced with problems. The main objective of this study is to evaluate the effect of input variables preprocessing in choosing the best combination of variables affecting on precipitation process، for forecasting monthly rainfall by using two data-driven modeling techniques including Support Vector Regresion (SVR) and Gene Expression Programming (GEP). For this purpose، Gamma Test and correlation Test were used to preprocess the inputs of the models used in this research under a case study with monthly climate data related with Shiraz Synoptic station over 1982-2011.The performance of these models was evaluated by statistical criteria of R2،RMSE and NSE (Nash-Sutcliffe efficiency coefficient). The results showed that SVR model combined with Gamma Test forecasts monthly rainfall better than other models used ib this study.But GammaTest was not able to improve performance of Gene Expression Programme model the same as SVR model. Also، based on the obtained results، sun hours، relative humidity، rainfall in a previous month and temperature، respectively،are most significant variables in monthly rainfall forecasting.