معرفي يك مدل غير‌خطي بر اساس هيبريد ماشين‌هاي يادگيري به منظور مدل‌سازي و پيش‌بيني بارش و مقايسه با روش SDSM (مطالعات موردي: شهركرد، بارز و ياسوج)

Introducing a Nonlinear Model Based on Hybrid Machine Learning for Modeling and Prediction of Precipitation and Comparison with SDSM Method (Cases Studies: Shahrekord, Barez, and Yasuj)

در پژوهش حاضر، مدلي هيبريدي بر مبناي روش هاي غيرخطي شامل رگرسيون تطبيقي چندگانه اسپلاين (MARS)، شبكه عصبي مصنوعي (ANN) و K نزديكترين همسايه (KNN) به منظور ريز مقياس نمايي و پيش بيني بارش ايستگاه هاي شهركرد، بارز و ياسوج تحت شرايط تغيير اقليم معرفي شده است. مدل هيبريدي ارايه شده، مانند مدل ريز مقياس نمايي SDSM، از دو گام طبقه بندي و رگرسيون تشكيل شده است. مدل MARS براي طبقه بندي وقوع بارش و الگوريتم هاي ANN و KNN براي تعيين مقدار بارش به كار برده شده اند. نتايج مدل MARS براي تعيين وقوع بارش نشان مي دهد كه مدل مذكور نسبت به مدل SDSM از دقت بيش تري برخوردار است. با مقايسه نتايج ريز مقياس نمايي مشاهده مي شود كه الگوريتم ANN نسبت به مدل SDSM و الگوريتم KNN داراي دقت بيش تري در تعيين ميانگين سالانه و ماهانه بارش است. به طوري كه در ايستگاه شهركرد مقدار معيار R براي الگوريتم ANN نسبت به مدل SDSM به اندازه 54 درصد دقيق تر است. هم چنين، الگوريتم هاي ANN، KNN و SDSM از نظر بيش ترين دقت در سه ايستگاه بررسي شده، با در نظر گرفتن ميانگين، انحراف معيار و ضريب چولگي ماهانه به ترتيب در رتبه هاي اول، دوم و سوم قرار داده مي شوند. در نهايت، مقدار تغييرات بارش در دوره آينده نزديك (2020-2040) و آينده دور (2070-2100) تحت سناريو هاي A2 و B2 مدل HADCM3 بررسي شد. نتايج نشان داد كه كم ترين كاهش بارش (2 درصد) مربوط به الگوريتم ANN (در ايستگاه شهركرد) و سناريوي A2 در دوره آينده نزديك و بيش ترين آن (54 درصد) مربوط به مدل SDSM (در ايستگاه ياسوج) و سناريوي A2 در دوره آينده دور مي باشد. در نهايت مي توان نتيجه گرفت كه هيبريد ماشين هاي يادگيري نسبت به مدل SDSM، از دقت بيشتري برخوردار است و مي توان از مدل معرفي شده به عنوان جايگزين مدل SDSM استفاده كرد.

In the present study, a nonlinear hybrid model, based on multivariate adaptive regression splines (MARS), artificial neural networks (ANN) and K-nearest neighbor (KNN) has been presented for downscaling the precipitation of Shahrekord, Barez, and Yasuj under climate change conditions. This model, similar to SDSM, is composed of two steps; classification and regression. The MARS model is employed for classification of precipitation occurrence and the ANN and KNN are employed for determination of the amount of precipitation. The results of MARS showed that the mentioned model is more accurate than the SDSM model. Comparing the results of downscaled precipitation showed that the ANN model is more accurate than the SDSM and KNN in prediction of average annual and monthly precipitation. So that the R value for ANN was 54% more than the one in SDSM model, in Shahrekord. Also, according to the highest accuracy, standard deviation and skewness coefficient, the ANN, KNN and SDSM model ranked first, second, and third, respectively, for prediction of monthly average precipitation in three investigated stations. Eventually, the precipitation changes in the near future (2020-2040) and far future (2070-2100) periods were investigated under the A2 and B2 scenarios of the HADCM3 model. Results revealed that the lowest precipitation reduction is corresponded to ANN (in Shahrekord) and A2 scenario in the near future period and the highest precipitation reduction is corresponded to SDSM (in Yasuj) and A2 scenario in the far future period. Finally, it can be concluded that the proposed model is more accurate than the SDSM model and can be used as an alternative to the SDSM model.