بررسی قابلیت پیش بینی بارش ماهانه با استفاده از روش EEMD-DSE-KELM
بررسی قابلیت پیش بینی بارش ماهانه با استفاده از روش EEMD-DSE-KELM
رقیه قاسم پور1 حاضی محمد عظمت اله2 حسن ثانی3
1) دانشجوی دکتری مهندسی و مدیریت منابع آب-دانشکده عمران- دانشگاه تبریز
2) استاد گروه مهندسی عمران و محیط زیست، دانشگاه West Indies
3) مهندسی سازه های هیدرولیکی -دانشکده عمران- دانشگاه تبریز
کد IOI مقاله
:
XDCB-FEECA
محل انتشار :
هفتمین کنگره سالانه بین المللی عمران، معماری و توسعه شهری(7icsau.com)
چکیده :
بارش در تعیین آب و هوای یک منطقه نقش مهمی دارد. پیش بینی دقیق بارش عامل مهمی در تخمین سیل، پایش خشکسالی، برنامه ریزی آبیاری و مدیریت حوضه رودخانه است. در این مطالعه، یک روش پیش بینی ترکیبی مبتنی بر تجزیه مد تجربی-آنتروپی تفاضلی نمادی (EEMD-DSE) و روش یادگیری ماشینی مبتنی بر کرنل (KELM) برای افزایش دقت پیش بینی بارش ماهانه و کاهش پیچیدگی روند پیش بینی ترکیبی استفاده شد. در این راستا، ابتدا سری زمانی اصلی به چندین مد ذاتی (IMF) با روش EEMD تجزیه شد. سپس، از DSE برای تجزیه و تحلیل پیچیدگی و بازسازی زیرسری ها استفاده شد. زیرسری های بازسازی شده به عنوان ورودی روش KELM استفاده شدند. نتایج بدست آمده قابلیت و کارایی بالای روش ترکیبی را در مدل سازی بارش ماهانه اثبات کرد. نتایج نشان داد که تجزیه سری زمانی بر اساس EEMD-DSE دقت مدل ها را تا 50٪ و 15٪ در مقایسه با روشهای KELM و EEMD-KELM بهبود می بخشد. بهترین معیار ارزیابی سری آزمون با استفاده از روش ترکیبی DC = 0.878، R = 0.910 و RMSE = 0.125 بدست آمد. بنابراین، می توان نتیجه گرفت که مدل پیش بینی پیشنهادی در این مطالعه یک مدل پیش بینی موثر است.
کلمات کلیدی : آنتروپی تفاضلی نمادی بارش روش مبتنی بر کرنل مد تجربی ذاتی مدل های ترکیبی