کاربرد الگوریتم هیبریدی ماشین بردار پشتیبان حداقل مربعات-نهنگ (LSSVM_WOA) جهت ریز مقیاس نمایی و پیش بینی بارش تحت شرایط تغییر اقلیم (مطالعه موردی: حوضه کارون 3)
در پژوهش حاضر، با استفاده از روش های یادگیری شامل الگوریتم هیبریدی ماشین بردار پشتیبان حداقل مربعات و الگوریتم بهینه سازی نهنگ (LSSVM_WOA)، K نزدیکترین همسایه (KNN) و شبکه عصبی مصنوعی (ANN) اقدام به ریز مقیاس نمایی بارش در شش ایستگاه حوزه کارون 3 پرداخته شده است. برای ریز مقیاس نمایی بارش، ابتدا روز های سال با استفاده الگوریتم های MARS و درخت مدل M5 به روز های تر و خشک تقسیم می شوند. سپس، مقدار بارش برای روز های تر با استفاده از هر یک از روش های LSSVM_WOA، KNN و ANN تخمین زده می شود. نتایج پژوهش حاکی از برتری الگوریتم MARS نسبت به M5 می باشد. همچنین، براساس میانگین بارش شش ایستگاه الگوریتم ANN با 5/0 درصد ضریب نش بیشتر، اندکی بهتر از الگوریتم LSSVM_WOA عمل می کند. در حالی که با در نظر گرفتن میانگین انحراف معیار مقدار ضریب نش برای الگوریتم ANN تا 04/5 درصد دقیق تر از الگوریتم LSSVM_WOA است. در نهایت مقدار بارش برای افق های 2020-2040 و 2070-2100 تحت سناریو های مدل CanESM2 شامل RCP2.6، RCP4.5 و RCP8.5 پیش بینی شده است. نتایج حاصل از الگوریتم LSSVM_WOA حاکی از کاهش بارش نسبت به دوره پایه (1972-2001) تحت هر سه سناریو می باشد. بیشترین مقدار کاهش بارش برابر با 18 درصد و برای سناریو RCP8.5 در افق 2070-2100 محاسبه شده است. کمترین مقدار کاهش بارش (1 درصد) نیز مربوط به سناریو RCP2.6 در افق 2020-2040 می باشد. اما مقدار تغییرات بارش پیش بینی شده توسط ANN در دوره آینده نسبت به دوره پایه از 43- درصد تا 72 درصد تغییر می کند. بنابراین، جواب های حاصل از LSSVM_WOA به دلیل عدم قطعیت کمتر، قابل اعتماد تر است.
LSSVM ، WOA ، بارش ، ریز مقیاس نمایی ، پیش بینی ، تغییر اقلیم
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.