ارتقاء مدل سازی هیبرید با استفاده از مدلی کارآمد جهت پیش بینی بارندگی

پیش بینی بارندگی با دقت کم منجر به ضررهای قابل توجه در بخش های مختلف مانند کشاورزی، محیط زیست می شود. در این راستا تاثیر مدل های رگرسیون بردار پشتیبان (SVR)، برنامه ریزی بیان ژن (GEP) وروش گروهی مدل سازی داده ها (GMDH) در ارتقاء عملکرد مدل هیبرید مورد بررسی قرار گرفت  که از داده های بارندگی ایستگاه های ارومیه و اصفهان با دو اقلیم متفاوت در بازه زمانی 1964-2019 استفاده شد. در مدل سازی بخش غیرخطی، ترکیب سوم با ترکیب بخش خطی، باقی مانده ها و داده های مشاهداتی در گام زمانی پیشین خطای کمتری داشت، به عنوان نمونه در ایستگاه اصفهان میزان کاهشRMSE  از ترکیب 1 به 3،73/62 و میزان کاهش SMAPE  از ترکیب 2 به 3 برابر با 79/62 درصد بود. مدل هیبرید نسبت به مدل استوکستیکی دارای عملکرد بهتری بود، به طوری که مقدار RMSE از مدل استوکستیکی به مدل هیبرید با SVR، GEP و GMDH در ایستگاه ارومیه به ترتیب 46/79، 34/68 و 77/75 درصد کاهش داشت. مدل برنامه ریزی بیان ژن نسبت به سایر مدل های مورد مطالعه دقت کمتری داشت (در ایستگاه ارومیه میزان کاهش  UIIاز مدل GEP به SVR به ترتیب برابر با 5/32 و 62/15 درصد و در ایستگاه اصفهان میزان افزایش ضریب نش-ساتکلیف از مدل GEP به GMDH برابر با 38/22 بود). میزان ضریب نش-ساتکلیف در هر سه مدل در ایستگاه ارومیه بیشتر از اصفهان بود(متوسط میزان کاهش ضریب نش-ساتکلیف از ایستگاه ارومیه به اصفهان 22/6 درصد بود) ولی مقدار ضریب در هر دو ایستگاه در محدوده قابل قبول است. بنابراین انتخاب مدل کارا با ترکیب درست در مدل سازی بخش غیرخطی تاثیر چشمگیری در افزایش کارایی مدل هیبرید خواهد داشت.