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

پیش­بینی بارندگی با­دقت کم منجر به ضررهای قابل­توجه در بخش­های مختلف مانند کشاورزی، محیط­زیست می­شود. در این راستا تاثیر مدل­های رگرسیون بردار پشتیبان (SVR)، برنامه­ریزی بیان ژن (GEP) وروش گروهی مدل­سازی داده­ها (GMDH) در ارتقاء عملکرد مدل هیبرید مورد بررسی قرار گرفت  که از داده­های بارندگی ایستگاه­های ارومیه و اصفهان با دو اقلیم متفاوت در بازه زمانی ۱۹۶۴-۲۰۱۹ استفاده شد. در مدل­سازی بخش غیرخطی، ترکیب سوم با ترکیب بخش خطی، باقی­مانده­ها و داده­های مشاهداتی در گام زمانی پیشین خطای کمتری داشت، به­عنوان نمونه در ایستگاه اصفهان میزان کاهشRMSE  از ترکیب ۱ به ۳،۷۳/۶۲ و میزان کاهش SMAPE  از ترکیب ۲ به ۳ برابر با ۷۹/۶۲ درصد بود. مدل هیبرید نسبت به مدل استوکستیکی دارای عملکرد بهتری بود، به­طوری که مقدار RMSE از مدل استوکستیکی به مدل­ هیبرید با SVR، GEP و GMDH در ایستگاه ارومیه به­ترتیب ۴۶/۷۹، ۳۴/۶۸ و ۷۷/۷۵ درصد کاهش داشت. مدل برنامه­ریزی بیان ژن نسبت به سایر مدل­های مورد مطالعه دقت کمتری داشت (در ایستگاه ارومیه میزان کاهش  UIIاز مدل GEP به SVR به­ترتیب برابر با ۵/۳۲ و ۶۲/۱۵ درصد و در ایستگاه اصفهان میزان افزایش ضریب نش-ساتکلیف از مدل GEP به GMDH برابر با ۳۸/۲۲ 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 ۲۲/۶ درصد بود) ولی مقدار ضریب در هر دو ایستگاه در محدوده قابل قبول است. بنابراین انتخاب مدل کارا با ترکیب درست در مدل­سازی بخش غیرخطی تاثیر چشمگیری در افزایش کارایی مدل­ هیبرید خواهد داشت.