بهره‌گیری از الگوریتم‌های تلفیقی svr و gpr با موجک در مدل‌سازی و پیش‌بینی ماهانه خشک‌سالی

مقدمه: خشک‌سالی یکی از مخاطرات طبیعی است که به دلیل متاثر بودن از پارامترهای مختلف اقلیمی دارای رفتاری تصادفی و غیرخطی است. شاخص spi به‌عنوان مرسوم‌ترین شاخص مستخرج شده از بارندگی می‌باشد که در مدل‌سازی خشک‌سالی مورداستفاده محققین مختلف قرارگرفته است. استفاده از روشهای هوش محاسباتی جهت مدل سازی خشک سالی در سالهای اخیر بسیار مورد توجه محققین حوزه منابع آب بوده است. روش : در این تحقیق از الگوریتم‌های svr و gpr به صورت منفرد و همچنین تلفیق این الگوریتم ها با فن موجک به مدل سازی و پیش بینی شاخص spi پرداخته شده است و هدف بررسی میزان بهبود نتایج الگوریتم های هوش محاسباتی در تلفیق با موجک بوده است. در این تحقیق از اطلاعات سری زمانی 10 ایستگاه سینوپتیک ایران در بازه زمانی 1961 تا 2017 به صورت ماهانه جهت مدل سازی خشک سالی به عنوان ورودی الگوریتم های مورد مطالعه استفاده شده است. یافته ها: نتایج این پژوهش نشان داد که استفاده از روش موجک در تلفیق با الگوریتم های هوش محاسباتی svr و gpr سبب بهبود نتایج در تمامی مقیاس های زمانی گردید. همچنین میزان بهبود مدل‌سازی ناشی از استفاده از موجک در تلفیق با مدل svr با میانگین تفاضل rmse برابر با 0.1540- و تفاضل r2 برابر 0.1491 و در مدل gpr با میانگین تفاضل rmse برابر با 0.1554- و تفاضل r2 برابر 0.1530 نسبت به مدل‌های منفرد svr و gpr نشان داد که مدل gpr در حالت کلی (همه مقیاس‌های زمانی و تمامی ایستگاه‌ها) بهبود بهتری در مدل هیبریدی نسبت به مدل منفرد داشته است.

integration of svr and gpr algorithms with wavelet in modeling monthly drought forecasting

abstractintroduction: drought is one of the natural hazards that have random and nonlinear behavior due to its various climatic parameters. spi index is the most common index extracted from rainfall that has been used in modeling drought by various researchers.methods: the use of computational intelligence methods to model drought in recent years has been much considered by researchers in the field of water resources. in this research, svr and gpr algorithms individually and also the combination of these algorithms with wavelet algorithms have been modeled and predicted by spi index, and the purpose was to evaluate the improvement of computational intelligence algorithms in combination with wavelet. in this research, the time series data of 10 synoptic stations in iran in the period 1961 to 2017 have been used on a monthly basis for modeling the drought as the input of the studied algorithms.findings: the results of this study showed that the use of the wavelet method in combination with svr and gpr computational intelligence algorithms improved the results in all time scales. also, the modeling improvement is due to the use of wavelet in combination with the svr model with an average rmse difference of -0.1540 and r2 difference of 0.1491 and the gpr model with an average rmse difference of -0.1554 and r2 difference of 0.1530 compared to the single svr and gpr models showed that the gpr model in general (all time scales and all stations) had a better improvement in the hybrid model than the single model.