ارزیابی راهبرد ترکیب مدل‌ها در افزایش دقت پیش‌بینی‌ بارش پاییزه

پیش‌بینی بارش پاییزه در برنامه‌ریزی‌های کشاورزی به ویژه امکان سنجی کشت دیم از اهمیت ویژه‌ای برخوردار است. در مطالعه حاضر، برای افزایش دقت پیش‌بینی بارش پاییزه از تکنیک ترکیب مدل‌ها استفاده شده است. به این منظور، بر اساس دو شاخص اقلیمی soi و nino 3.4 به عنوان متغیرهای پیش‌بینی کننده، پنج مدل شبکه عصبی مصنوعی، شبکه عصبی رگرسیون تعمیم یافته، رگرسیون بردار پشتیبان، k نزدیک‌ترین همسایگی و رگرسیون خطی با ساختار بهینه به عنوان مدل‌های منفرد پیش‌بینی کننده بارش اجرا شده‌اند. برای ترکیب مدل‌های مذکور از راهبرد وزن‌دهی رتبه‌بندی شده به مدل‌ها (owa) استفاده شده که در آن، برای تعیین وزن مدل‌ها، دو روش ornessو orlike مورد استفاده و ارزیابی قرار گرفتند. نتایج پیش‌بینی بارش در زیرحوضه سیمره از حوضه کرخه نشان می‌دهد که بارش پیش‌بینی شده با استفاده از راهبرد ترکیب مدل‌ها از دقت بیش‌تری نسبت به مدل‌های منفرد برخوردار است و روش orlike در مقایسه با روش orness، دقت پیش‌بینی‌ها را بیشتر افزایش می‌دهد. همچنین، مقایسه نتایج روش‌های راهبرد owa با دو راهبرد ترکیب مدل‌ها با شبکه عصبی مصنوعی و راهبرد انتخاب بهترین مدل منفرد نشان می‌دهد که قابلیت هر دو روش orness و orlike برای بهبود دقت پیش‌بینی بارش، بیش‌ از راهبرد‌های شبکه عصبی و بهترین مدل منفرد است.

Assessment of model fusion strategy for increasing the accuracy of autumn rainfall forecasting

Autumn precipitation forecasting plays a key role in agricultural planning especially rainfed farming feasibility studies. In this study, model fusion technique has been used in order to increase the accuracy of autumn precipitation forecast. Based on two teleconnection signals of SOI and NINO 3.4 as predictors, five models including Artificial Neural Network (ANN), Generalized Regression Neural Network (GRNN), Support Vector Regression (SVR), K-Nearest Neighbor (KNN), and Linear Regression (LR) with optimized structure have been implemented as individual rainfall forecasting models (IPFMs) in Seimareh subbasin of Karkheh basin, IRAN. In order to combine the IPFMs, the ordered weighted aggregation strategy (OWA) has been performed in which, two weighting methods including Orness and Orlike methods have been used and assessed for determining the weights of IPFMs. The results of this study showed that the forecasted rainfall obtained from two methods of OWA model fusion strategy has more accuracy comparing to individual forecasting models. Moreover, application of the Orlike method did a quite better job than Orness method. Besides, comparing the results of the OWA strategy methods with two other strategies viz model fusion with artificial neural network and selecting the best IPFM revealed that both Orness and Orlike methods are performing more precisely than two other strategies in forecasting rainfall.