توسعه یک مدل جدید ترکیبی احتمالاتی کلاس مبنا برای پیش بینی بارش ماهانه

پیش بینی بارش ماهانه با دقت زیاد یکی از چالش های مهم در علوم هیدرولوژی و هواشناسی می باشد و در برنامه ریزی منابع آب از اهمیت بالایی برخوردار است. در تحقیق حاضر، یک مدل ترکیبی احتمالاتی کلاس مبنا (CPHM) بر پایه ترکیب روش های کلاس‎بندی و توابع کرنل احتمالاتی توسعه داده شده است که با استفاده از آن می توان بر اساس بارش های فصلی (ورودی مدل)، بارش ماهانه (خروجی مدل) را با دقت بالایی برای تمامی ماه های یک فصل پیش بینی نمود. برتری های این مدل نسبت به روش های مرسوم پیش بینی ماهانه بارش، از یک سو قابلیت آن برای پیش بینی بارش ماهانه برای فصلی نظیر پاییز در ایران می باشد که ماه های قبل از آن (در تابستان) بدون بارش است، و از سوی دیگر قابلیت آن برای پیش بینی هم زمان بارش برای تمامی ماه های یک فصل می باشد که از نظر مدیریت منابع آب بسیار ارزشمند است. از این رو، به منظور ارزیابی کارآیی این مدل، مدل مذکور برای پیش بینی بارش ماهانه پاییزه در حوضه آبریز کرخه که دربرگیرنده جلگه حاصلخیز خوزستان است، بکار گرفته شد و عملکرد آن با مدل شبکه عصبی مصنوعی (ANN) با ساختار بهینه شده نیز مورد مقایسه قرار گرفت. نتایج نشان دهنده عملکرد بالای مدل CPHM و برتری آن در مقایسه با مدل بهینه شده ANN برای پیش بینی بارش در هر سه ماه فصل پاییز می باشد؛ به طوری که متوسط دقت نتایج در مرحله صحت‎سنجی این مدل برای سه ماه پاییز بر اساس شاخص های نش- ساتکلیف (NSE)، جذر میانگین مربعات خطا (RMSE) و ضریب همبستگی پیرسون (PCC) به ترتیب برابر با  0/7، 12 و 0/86 می باشد.