بهره گیری از الگوریتم های تلفیقی SVR و GPR با موجک در مدل سازی و پیش بینی ماهانه خشک سالی

خشک سالی یکی از مخاطرات طبیعی است که به دلیل متاثر بودن از پارامترهای مختلف اقلیمی دارای رفتاری تصادفی و غیرخطی است. شاخص SPI به عنوان مرسوم ترین شاخص مستخرج شده از بارندگی می باشد که در مدل سازی خشک سالی مورداستفاده محققین مختلف قرارگرفته است. استفاده از روش های هوش محاسباتی جهت مدل سازی خشک سالی در سالهای اخیر بسیار مورد توجه محققین حوزه منابع آب بوده است.

در این تحقیق از الگوریتم های SVR و GPR به صورت منفرد و همچنین تلفیق این الگوریتم ها با فن موجک به مدل سازی و پیش بینی شاخص SPI پرداخته شده است و هدف بررسی میزان بهبود نتایج الگوریتم های هوش محاسباتی در تلفیق با موجک بوده است. در این تحقیق از اطلاعات سری زمانی 10 ایستگاه سینوپتیک ایران در بازه زمانی 1961 تا 2017 به صورت ماهانه جهت مدل سازی خشک سالی به عنوان ورودی الگوریتم های مورد مطالعه استفاده شده است.

نتایج این پژوهش نشان داد که استفاده از روش موجک در تلفیق با الگوریتم های هوش محاسباتی SVR و GPR سبب بهبود نتایج در تمامی مقیاس های زمانی گردید. همچنین میزان بهبود مدل سازی ناشی از استفاده از موجک در تلفیق با مدل SVR با میانگین تفاضل RMSE برابر با 1540/0- و تفاضل R2 برابر 1491/0 و در مدل GPR با میانگین تفاضل RMSE برابر با 1554/0- و تفاضل R2 برابر 1530/0 نسبت به مدل های منفرد SVR و GPR نشان داد که مدل GPR در حالت کلی (همه مقیاس های زمانی و تمامی ایستگاه ها) بهبود بهتری در مدل هیبریدی نسبت به مدل منفرد داشته است.