کاربرد الگوریتم هیبریدی ماشین بردار پشتیبان حداقل مربعات-نهنگ (lssvm_woa) جهت ریز مقیاس نمایی و پیش بینی بارش تحت شرایط تغییر اقلیم (مطالعه موردی: حوضه کارون 3)

در پژوهش حاضر، با استفاده از روش های یادگیری شامل الگوریتم هیبریدی ماشین بردار پشتیبان حداقل مربعات و الگوریتم بهینه سازی نهنگ (lssvm_woa)، k نزدیکترین همسایه (knn) و شبکه عصبی مصنوعی (ann) اقدام به ریز مقیاس نمایی بارش در شش ایستگاه حوزه کارون 3 پرداخته شده است. برای ریز مقیاس نمایی بارش، ابتدا روز های سال با استفاده الگوریتم های mars و درخت مدل m5 به روز های تر و خشک تقسیم می شوند. سپس، مقدار بارش برای روز های تر با استفاده از هر یک از روش های lssvm_woa، knn و ann تخمین زده می شود. نتایج پژوهش حاکی از برتری الگوریتم mars نسبت به m5 می باشد. همچنین، براساس میانگین بارش شش ایستگاه الگوریتم ann با 0.5 درصد ضریب نش بیشتر، اندکی بهتر از الگوریتم lssvm_woa عمل می کند. در حالی که با در نظر گرفتن میانگین انحراف معیار مقدار ضریب نش برای الگوریتم ann تا 5.04 درصد دقیق تر از الگوریتم lssvm_woa است. در نهایت مقدار بارش برای افق های 2020- 2040 و 2070-2100 تحت سناریو های مدل canesm2 شامل rcp2.6، rcp4.5 و rcp8.5 پیش بینی شده است. نتایج حاصل از الگوریتم lssvm_woa حاکی از کاهش بارش نسبت به دوره پایه (1972-2001) تحت هر سه سناریو می باشد. بیشترین مقدار کاهش بارش برابر با 18 درصد و برای سناریو rcp8.5 در افق 2070-2100 محاسبه شده است. کمترین مقدار کاهش بارش (1 درصد) نیز مربوط به سناریو rcp2.6 در افق 2020-2040 می باشد. اما مقدار تغییرات بارش پیش بینی شده توسط ann در دوره آینده نسبت به دوره پایه از 43- درصد تا 72 درصد تغییر می کند. بنابراین، جواب های حاصل از lssvm_woa به دلیل عدم قطعیت کمتر، قابل اعتماد تر است.