بهبود پیش بینی بارش ماهانه با استفاده از مدل تلفیقی بر پایه روش کرنل- تبدیل موجک و تجزیه ی یکپارچه مد تجربی کامل

بارش یکی از مهم‌ترین اجزای چرخة آب بوده و در سنجش خصوصیات اقلیمی هر منطقه، نقش بسیار مهمی ایفا می‌کند. تخمین مقادیر بارش ماهانه برای اهداف مختلفی چون برآورد سیلاب، خشکسالی، برنامه‌ریزی آبیاری و مدیریت حوضه‌های آبریز اهمیت زیادی دارد. در تحقیق حاضر، پیشبینی بارش ماهانه ایستگاه تبریز با استفاده از روش هوشمند رگرسیون فرآیند گاوسی (gpr )بر پایه روش تجزیه ی یکپارچه مد تجربی کامل (ceemd )و تبدیل موجک (wt ) مورد بررسی قرار گرفته است. در این راستا، مدل‌های متفاوتی بر اساس شاخص‌های پیوند از دور و عناصر اقلیمی تعریف شد و نرخ تاثیر پارامترهای ورودی مختلف مورد بررسی قرار گرفت. نتایج حاصل از تحلیل مدل‌ها قابلیت و کارایی بالای روش به کار رفته را در تخمین میزان بارش ماهانه به خوبی نشان داد. ملاحظه گردید که در پیش بینی بارش ماهانه، شاخص‌های پیوند از دور mei ,nino3, nao و عناصر اقلیمی شامل میانگین دمای ماهانه و رطوبت نسبی و همچنین بارش مربوط به ماه های گذشته در پیش بینی مقادیر بارش تاثیرگذار بوده و موجب بهبود نتایج مدل‌ها می‌گردد. در بررسی روش‌های تجزیه ی یکپارچه مد تجربی کامل و تبدیل موجک گسسته مشاهده گردید که تجزیه بر اساس تبدیل موجک منجر به نتایج دقیق‌تری می‌گردد. بهترین حالت ارزیابی برای داده های آزمون با استفاده از تجزیه‌ی تبدیل موجک در حالت مدل‌سازی بر اساس داده‌های اقلیمی و عناصر پیوند از دور با مقادیر0/889= r=0/961,dc و 0/036= mser بدست آمد. همچنین بر اساس نتایج آنالیز حساسیت مشخص گردید که   3pt تاثیرگذارترین پارامتر در مدل‌سازی است.

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

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). Different models were defined based on teleconnection patterns and climatic elements, and the impact of different input parameters was assessed. The obtained results proved high capability and efficiency of the applied method in predicting the monthly precipitation. 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, Pt3 was found to be the most effective parameter in modeling.