رهیافت ترکیب وزنی مدل‌ها با روش‌های عکس واریانس و رگرسیون حداقل مربعات در تخمین دمای نقطه شبنم

برآورد دمای نقطه شبنم با روشی کارآمد در بسیاری از زمینه‌ها مانند برنامه‌ریزی‌های بخش کشاورزی از جمله محافظت محصولات در برابر صدمات، مطالعات هواشناسی، هیدرولوژیکی و اکولوژیکی مفید می‌باشد. در این تحقیق از رهیافت ترکیب پیش‌بینی مدل های رگرسیون درختی، روش گروهی مدلسازی داده‌ها(gmdh) و روش تجربی جهت تخمین دمای نقطه شبنم در ایستگاه‌های رشت، یزد و ارومیه استفاده شد. داده‌های ورودی مدل‌های منفرد شامل داده‌های بیشینه سرعت باد، میانگین سرعت باد، دمای بیشینه، دمای کمینه، متوسط دما، متوسط رطوبت نسبی، کمینه و بیشینه رطوبت نسبی و فشار بخار اشباع بودند. رهیافت ترکیبی براساس رویکرد وزنی با روش‌های عکس واریانس و رگرسیون حداقل مربعات انجام گرفت. در مدل‌های منفرد، مدل gmdh نسبت به سایر مدل‌ها از کارایی بالایی برخوردار است به طوری که میزان کاهشrmse از روش تجربی و رگرسیون درختی به مدل gmdh در ایستگاه رشت به ترتیب 66/66 و 59/45 درصد می‌باشد. رهیافت ترکیبی نسبت به مدل‌های انفرادی دقت عمل بالایی دارد و روش رگرسیون حداقل مربعات نسبت به روش عکس واریانس با معیارهای خطای متفاوت دارای خطای کمتری است، به طوری که محاسبه ضریب نش- ساتکلیف در ایستگاه‌های رشت، ارومیه و یزد به ترتیب 0/97، 0/96 و 0/87 می‌باشد. همچنین نوع معیار خطای مورد استفاده و توان تعریف شده در روش عکس واریانس در مقادیر پیش‌بینی موثر است و توان مناسب مربوط به خطا براساس داده‌های موجود ارائه شد.در بررسی تاثیر تنوع اقلیمی، ایستگاه رشت دارای کمترین خطا می‌باشد. همچنین عملکرد رهیافت ترکیبی با استفاده ار مدل‌های منفرد قوی افزایش می‌یابد.

weight combinations approach of models with inverse variance and least square regression methods for dew point temperature estimation

dew point temperature estimation with proper method is useful in many fields such as agricultural planning including crop protection to the damages, meteorological, hydrological and ecological studies. in this study, the forecast combination approach of regression tree, group method of data handling(gmdh) and experimental method were applied to forecast dew point temperature in rasht, yazd and urmia stations. the input variables of individual models were the maximum wind speed, mean wind speed, maximum, minimum and mean temperature, mean relative humidity, maximum and minimum relative humidity and saturation vapor pressure. the used methods of weight combination approach were inverse variance and least square regression. in the individual models, gmdh is more efficient than other models, so that the rmse decreasing from empirical and regression tree to gmdh model in rasht station is 66.66% and 59.45%, respectively. the combination approach is more accurate rather than the individual models and least square regression method has less error than the inverse variance with different error criteria, so that nash sutcliff coefficient in rash, urmia and yazd stations is 0.97,0.96 and 0.87, respectively. also, the kind of error criteria and defined power in the inverse variance method is effective on forecasting values and the proper power basis on available data was proposed. in order to investigate the impact of climate diversity, rasht station has the least error. the use of robust individual models will also increase the ability of forecast combination approach.