ارزیابی مدل ترکیبی موجک – حداقل مربعات ماشین بردار پشتیبان در ریزمقیاس کردن مکانی - زمانی سری های زمانی بارش

محورهای موضوعی : مدیریت آب در مزرعه با هدف بهبود شاخص های مدیریتی آبیاری

نیما فربودفام ¹ (گروه عمران - آب، دانشکده فنی و مهندسی، واحد رودهن، دانشگاه آزاد اسلامی، رودهن، ایران)
وحید نورانی ² (گروه عمران-آب، دانشکده عمران، دانشگاه تبریز، تبریز، ایران گروه عمران - آب، دانشکده فنی و مهندسی، واحد رودهن، دانشگاه آزاد اسلامی، رودهن، ایران)
بابک امین نژاد ³ (گروه عمران - آب، دانشکده فنی و مهندسی، واحد رودهن، دانشگاه آزاد اسلامی، رودهن، ایران)

تاریخ دریافت : 1396/10/22 تاریخ پذیرش : 1397/12/05 تاریخ انتشار : 1398/02/01

کلید واژه: سری های زمانی بارش, تبدیل موجک, مدل ترکیبی, ریزمقیاس کردن, حداقل مربعات ماشین بردار پشتیبان,

چکیده مقاله :

با توجه به نیاز شبیه سازی سری های زمانی بارش در مقیاس های مختلف برای مقاصد مهندسی از یک طرف و عدم ثبت این پارامترها در مقیاس های ریز بدلیل مشکلات اجرایی و اقتصادی از طرف دیگر، ریزمقیاس کردن بارش به مقیاس مورد نظر، یک امر ضروری می باشد. در این مطالعه، برای ریزمقیاس کردن سری زمانی بارش ایستگاه های تبریز و سهند، با توجه به ویژگی های غیرخطی مقیاس های زمانی، مدل ترکیبی موجک حداقل مربعات ماشین بردار پشتیبان (WLSSVM) پیشنهاد شده و داده های سری زمانی ماهانه شش ایستگاه و روزانه چهار ایستگاه بارش حوضه آبریز دریاچه ارومیه، برای 10 سال بوسیله تبدیل موجک به زیرسری های زمانی تجزیه شده و سپس با استفاده از معیارهای اطلاعات متقابل و ضریب همبستگی، زیرسری ها رتبه بندی شده و برای ریزمقیاس کردن سری زمانی ماهانه ایستگاه های تبریز و سهند به روزانه، زیرسری های برتر به عنوان داده های ورودی به مدل حداقل مربعات ماشین بردار پشتیبان (LSSVM) وارد شد. نتایج حاصل از مدل WLSSVM، با نتایج کاربرد روش LSSVM و روش کلاسیک رگرسیون چند متغیره خطی، مقایسه شد. در مجموع نتایج مدل WLSSVM نسبت به مدل های LSSVM و رگرسیون چند متغیره خطی برای اعتبارسنجی در حالت بهینه ایستگاه تبریز به ترتیب 10% و 37.5% و در حالت بهینه ایستگاه سهند، به ترتیب 24.5% و 46.7% افزایش نشان داد. لذا ملاحظه گردید که روش WLSSVM نسبت به دو روش دیگر، دقت بالاتری داشته و به عنوان روشی مناسب جهت ریزمقیاس کردن سری های زمانی بارش پیشنهاد می گردد.

چکیده انگلیسی:

The need to simulate rainfall time series at different scales for engineering purposes on the one hand and lack of recording such parameters in small scales because of administrative and economic problems, on the other hand, disaggregation of rainfall time series to the desired scale is an essential topic. In this study, for disaggregating the Tabriz and Sahand rain gauges time series, according to nonlinear characteristics of time scales, wavelet- Least Square Support Vector Machine (WLSSVM) hybrid model is proposed and daily data of four rain gauges and monthly data of six rain gauges from Urmia Lake Basin for ten years were decomposed with wavelet transform and then by using mutual information and correlation coefficient criteria, the subseries were ranked and superior subseries were used as input data of Least Square Support Vector Machine (LSSVM) model for disaggregating the Tabriz and Sahand rain gauges monthly rainfall time series to the daily time series. Results obtained from the WLSSVM disaggregation model were compared with the results of LSSVM and traditional multiple linear regression models. The results of WLSSVM model to LSSVM and multiple linear regression models at validation stage in the optimized case for Tabriz rain gauge were increased 10% and 37.5% and in the optimized case for Sahand rain gauge were increased 24.5% and 46.7% respectively. It was concluded that hybrid WLSSVM model has a higher accuracy than two other methods and can be considered as an accurate disaggregation model to disaggregate the rainfall time series.