ارزیابی روش هیبرید در پیش‌بینی سری زمانی بارندگی در مناطق ساحلی

پیش‌بینی بارندگی تاثیر مهمی بر مطالعات منابع آب مانند مطالعات مهندسی رودخانه، سیستم‌های هشدار سیل و غیره دارد. کاربرد هوش مصنوعی در مباحث مختلف منابع آب بسیار مورد توجه بوده است و اغلب نتایج قابل قبولی ارائه داده است. هدف از این تحقیق پیش‌بینی سری زمانی ماهانه بارندگی در 3 ایستگاه با شرایط آب و هوایی متفاوت در استان گلستان با استفاده از سه روش، شامل 1: آریما (arima)، 2: ماشین بردار پشتیبان (svm) و 3: هیبرید (arima-svm) می‌باشد. آریما بر اساس روش‌های آماری، ماشین بردار پشتیبان با استفاده از هوش مصنوعی و هیبرید با ترکیب این دو روش سری زمانی بارندگی را پیش‌بینی کردند. در روش هیبرید به منظور پیش‌بینی سری زمانی از arima جزء خطی و از svm جزء غیرخطی استفاده گردید. در این تحقیق بررسی جامعی از توانایی روش svm و روش جدید هیبرید در پیش‌بینی سری زمانی بارندگی و مقایسه آن با روش معمول arima صورت گرفت. نتایج حاصل از شبیه‌سازی سری زمانی بارندگی در 3 ایستگاه نشان داد در مرحله آزمون روش svm نسبت به arima به طور متوسط ضریب تعیین را 16درصد افزایش و خطا را 26 درصد کاهش داده است. همچنین روش arima-svm به طور متوسط توانسته نسبت به svm مقدار ضریب تعیین را 6 درصد افزایش و خطا را حدود 46 درصد کاهش دهد. پراکندگی نقاط حول خط 1:1 در روش arima-svm در تمام دامنه بارندگی نسبت به دو روش دیگر کمتر است و این روش توانسته در تمام دامنه، پیش‌بینی مناسبی انجام دهد. مقایسه مقادیر خطا در ماه‌های مختلف نشان داد بیشترین خطا در پیش‌بینی بارندگی مربوط به ماه‌های کم بارش‌ است. همچنین مقایسه میانگین داده‌های روش هیبرید با مقادیر واقعی در مرحله آزمون نشان داد مشخصات آماری داده‌های اولیه حفظ شده است. در مجموع بررسی‌ها نشان داد روش هیبرید به عنوان یک گزینه مناسب برای پیش‌بینی سری زمانی بارندگی است.

Assessing of hybrid method in predicting rainfall time series in the coastal areas

Rainfall forecasting has a significant impact on water resources studies such as river engineering, flood warning systems and …. Application of Artificial Intelligence in water resources is highly regarded and often provides acceptable results. The purpose of this study is to predict the time series of monthly rainfall at three stations in different climatic system using three methods in Golestan province. Methods used in this paper are 1: moving average (ARIMA), 2: support vector machine (SVM) and 3: Hybrid (ARIMASVM). Moving average based on statistical methods, support vector machine using artificial intelligence and hybrid combining the two methods to predict the rainfall time series. The hybrid method for linear component of time series prediction used ARIMA and nonlinear component of time series used SVM. In this study the ability of SVM and new hybrid method to predict the time series of rainfall was investigated comprehensively and was compared with ARIMA. Simulation of rainfall time series at three stations showed that in the test phase SVM compared to the ARIMA increase coefficient determination equal to 16% and decrease RMSE error equal to 26%. Also ARIMASVM compared to SVM is able to increase coefficient determination equal to 6% and decrease RMSE error equal to 46%. Dispersion of points around the 1:1 line in the whole range of rainfall in ARIMASVM is less than other methods and this method forecast in whole range properly. Comparison of error in different months showed the maximum error in the predicted rainfall for the month of low rainfall. Comparisons of monthly mean rainfall for observed and predicted data from the hybrid method showed a statistical property of the initial data is preserved. In general, studies show that the hybrid method is a suitable option for forecast rainfall time series.