ارزیابی و مقایسه عملکرد مدل های ترکیبی مبتنی بر CEEMD در مدل سازی بارش ماهانه زیرحوضه کشکان

تجزیه سری زمانی بارش به مولفه های با رفتارهای متفاوت، می تواند زمینه استفاده موثرتر از مدل های یادگیری در مدل سازی و پیش بینی بارش را فراهم کند. در این مطالعه، ابتدا سیگنال اصلی داده های ورودی با استفاده از روش تجزیه مد تجربی یکپارچه کامل (CEEMD)، تجزیه شده، سپس زیرسیگنال های حاصل به عنوان ورودی به مدل های رگرسیون بردار پشتیبان (SVR) و روش گروهی مدیریت داده(GMDH) وارد شدند، تا دو مدل مدل ترکیبی CEEMD-SVRو CEEMD-GMDH تشکیل شد. به منظور ارزیابی قابلیت مدل های پیشنهادی، نتایج حاصل با مقادیر بارش مشاهداتی براساس شاخص های آماری مختلف و نمودار تیلور مقایسه شدند. نتایج نشان داد که مدل ترکیبی CEEMD-GMDH با ضریب تعیین (R²) برابر ۸۱۲۳/۰ و جذر میانگین مربعات خطا (RMSE) برابر ۰۳۷۰/۰ میلیمتر نسبت به مدل CEEMD-SVR با R² برابر ۷۴۰۵/۰ و RMSE برابر ۰۴۰۷/۰ میلیمتر عملکرد بهتری داشته است. نتایج نشان داد که در کنار استفاده از CEEMD برای تجزیه سری زمانی، انتخاب روش مورد استفاده برای مدل سازی مولفه های حاصل نیز در عملکرد نهایی مدل اهمیت دارد. بر این اساس، استفاده از ساختارهای ترکیبی مبتنی بر CEEMD می تواند به عنوان رویکردی برای مدل سازی بارش ماهانه زیرحوضه کشکان و سایر زیرحوضه ها مورد توجه قرار گیرد.

کلیدواژه ها:

بارش ماهانه ، CEEMD ، GMDH ، مدل های ترکیبی ، زیرحوضه کشکان.