بررسی کارآیی دو روش داده محور در پیش‌بینی بارندگی ماهانه

پیش‌بینی دقیق بارش باران به خصوص در مناطق خشک ‌و نیمه خشک، نقش مهمی را در مدیریت موثر منابع آب بازی می‌کند. حصول روش‌های مناسب و دقیق در پیش‌بینی بارندگی یکی از مسائل چالش‌ انگیز امروزی، در مدیریت منابع آب و مخاطرات اقلیمی است. اگرچه تحقیقات گسترده‌ای در زمینه کاربرد مدل‌های هوش محاسباتی به منظور پیش‌بینی‌های اقلیمی صورت گرفته است، اما انتخاب نوع و تعداد متغیرهای ورودی به هرکدام از این مدل‌ها همواره مدل سازان را با مسائلی روبرو کرده است. هدف از این تحقیق، بررسی تاثیر پیش پردازش داده‌ها در انتخاب بهترین ترکیب ورودی از متغیرهای تاثیرگذار بر فرآیند بارش با استفاده از آزمون گاما برای پیش‌بینی بارش ماهانه با دو مدل رگرسیون بردار پشتیبان و برنامه ریزی بیان ژن می‌باشد.‌ برای این منظور، از روش‌های آزمون گاما و آنالیز همبستگی برای پیش‌پردازش ورودی‌ مدل‌های مورد استفاده در این تحقیق تحت یک مطالعه موردی با استفاده از داده‌های اقلیمی ماهانه مربوط به ایستگاه سینوپتیک شیراز در طی سال‌های 1362 تا 1390 استفاده شد. کارآیی این مدل‌ها با استفاده از ضرایب تبیین، ریشه میانگین مربعات خطا و ضریب کارآیی ناشساتکلیف ارزیابی گردید. نتایج نشان داد که مدل ترکیبی گامارگرسیون بردار پشتیبان، بارندگی ماهانه را بهتر از سایر مدل‌های استفاده شده در این تحقیق پیش‌بینی می‌کند. ولی آزمون گاما نتوانست کارایی مدل برنامه‌ریزی بیان ژن را به اندازه مدل رگرسیون بردار پشتیبان بهبود بخشد. هم چنین براساس نتایج حاصله، متغیرهای ساعات آفتابی، رطوبت نسبی، بارندگی یک ماه گذشته و دما به ترتیب جزء موثرترین متغیرها در پیش‌بینی بارندگی ماهانه می‌باشند.