توسعه روش هیبریدی موجک-الگوریتم Kstar برای پیش بینی بارش های ماهانه (مطالعه موردی: ایستگاه سینوپتیک اهواز)

پیش بینی متغیرهای هیدرولوژیک و به ویژه بارش نقش بسیار مهمی در مدیریت و برنامه ریزی منابع آبی داشته و از این رو توسعه روش هایی که بتواند تخمین دقیقی از آن را به دست دهد همواره مورد توجه محققان بوده است. در این پژوهش از داده های بارش ایستگاه سینوپتیک اهواز در دوره آماری 2018-1961 برای توسعه مدل های هیبریدی موجک Kstar (WKstar) و برنامه ریزی بیان ژن (WGEP) استفاده شد. عملکرد مدل های به کار رفته با شاخص های آماری ضریب همبستگی (CC)، نش- ساتکلیف (NS)، کلینگ گوپتا (KGE) و ضریب ویلموت (WI) مورد بررسی قرار گرفت. در ابتدا مدل های منفرد Kstar و GEP با ورودی های بارش تاخیر یافته تا چهار ماه قبل و شماره ماه ها اجرا شدند. نتایج نشان داد که هر دو مدل با تاخیر زمانی یک ماه (الگوی M1) به بیشترین دقت رسیده اما عملکرد آنها بسیار ضعیف و غیرقابل قبول بود. با توجه به اینکه هر دو مدل با الگوی M1 بهترین عملکرد را داشته اند از این رو بارش های یک ماه قبل با استفاده از پنج تابع موجک مختلف به زیرسری های تقریب و جزییات تجزیه شده و مجددا به مدل ها معرفی شدند. نتایج نشان داد که عملکرد مدل های هیبریدی موجک نسبت به حالت منفرد بسیار بهبود یافته به طوری که شاخص NS از 139/0 به 607/0 افزایش یافت. همچنین بهترین عملکرد مدل های هیبریدی WKstar و WGEP با ورودی های تابع موجک دابچیز چهار و سطح تجزیه دو به دست آمده و از نظر آماری اختلاف معنی داری بین دو مدل هیبریدی توسعه یافته وجود نداشت، اما با استفاده از نمودار ویولونی مشخص گردید که مدل WKstar برای پیش بینی بارش های ایستگاه سینوپتیک اهواز مناسب تر می باشد.