بهره‌گیری از الگوریتم‌های تلفیقی SVR و GPR با موجک در مدل‌سازی و پیش‌بینی ماهانه خشک‌سالی

الموضوعات :

جهانبخش محمدی ¹ , علیرضا وفائی نژاد ² , سعید بهزادی ³ , حسین آقامحمدی ⁴ , امیر هومن حمصی ⁵

1 - دانشجوی گروه تخصصی سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده منابع طبیعی و محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
2 - دانشیار دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران.
3 - استادیار دانشکده مهندسی عمران، دانشگاه تربیت دبیر شهید رجائی، تهران، ایران.
4 - استادیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده منابع طبیعی و محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
5 - استاد، مهندسی منابع طبیعی، دانشکده منابع طبیعی و محیط‌زیست، واحد علوم و تحقیقات تهران، دانشگاه آزاد اسلامی، تهران، ایران.

تاريخ الإرسال : 16 الأحد , ربيع الثاني, 1443 تاريخ التأكيد : 23 السبت , شوال, 1444 تاريخ الإصدار : 01 الجمعة , شوال, 1444

الکلمات المفتاحية: SPI, خشک‌سالی, موجک, SVR, GPR,

ملخص المقالة :

چکیده مقدمه: خشک‌سالی یکی از مخاطرات طبیعی است که به دلیل متأثر بودن از پارامترهای مختلف اقلیمی دارای رفتاری تصادفی و غیرخطی است. شاخص SPI به‌عنوان مرسوم‌ترین شاخص مستخرج شده از بارندگی می‌باشد که در مدل‌سازی خشک‌سالی مورداستفاده محققین مختلف قرارگرفته است. استفاده از روشهای هوش محاسباتی جهت مدل­سازی خشک­سالی در سالهای اخیر بسیار مورد توجه محققین حوزه منابع آب بوده است. روش­: در این تحقیق از الگوریتم‌های SVR و GPR به صورت منفرد و همچنین تلفیق این الگوریتم­ها با فن موجک به مدل­سازی و پیش­بینی شاخص SPI پرداخته شده است و هدف بررسی میزان بهبود نتایج الگوریتم­های 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 مدل­سازی خشک­سالی به عنوان ورودی الگوریتم­های مورد مطالعه استفاده شده است. یافته­ ها: نتایج این پژوهش نشان داد که استفاده از روش موجک در تلفیق با الگوریتم­های هوش محاسباتی SVR و GPR سبب بهبود نتایج در تمامی مقیاس­های زمانی گردید. همچنین میزان بهبود مدل‌سازی 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 مدل‌های منفرد SVR و GPR نشان داد که مدل GPR در حالت کلی (همه مقیاس‌های زمانی و تمامی ایستگاه‌ها) بهبود بهتری در مدل هیبریدی نسبت به مدل منفرد داشته است. 

المصادر:

1.       Abeysingha NS, Rajapaksha URLN. 2020.  SPI-Based Spatiotemporal Drought over Sri Lanka. Advances in Meteorology.

2.       Azimi S, Azhdary Moghaddam M. 2020. Modeling Short Term Rainfall Forecast Using Neural Networks, and Gaussian Process Classification Based on the SPI Drought Index. Water Resources Management. 34(4):1369–405.

3.       Bhunia P, Das P, Maiti R. 2020. Meteorological drought study through SPI in three drought prone districts of West Bengal, India. Earth Systems and Environment. 4(1):43–55.

4.       Raghavendra S, Deka PC. 2014. Support vector machine applications in the field of hydrology: A review. Applied soft computing. 19:372–86.

5.       Djerbouai S, Souag-Gamane D. 2016. Drought forecasting using neural networks, wavelet neural networks, and stochastic models: case of the Algerois Basin in North Algeria. Water Resources Management. 30(7):2445–64.

6.       Drisya J, Kumar DS, Roshni T. 2021. Hydrological drought assessment through streamflow forecasting using wavelet enabled artificial neural networks. Environment, Development and Sustainability. 23(3):3653–72.

7.       Ghasemi P, Karbasi M, Nouri AZ, Tabrizi MS, Azamathulla HM. 2021. Application of Gaussian process regression to forecast multi-step ahead SPEI drought index. Alexandria Engineering Journal. 60(6):5375–92.

8.       Tarebari H, Javid AH, Mirbagheri SA, Fahmi H. 2018. Multi-objective surface water resource management considering conflict resolution and utility function optimization. Water Resources Management. 32:4487–509.

9.       Hong X, Ding Y, Ren L, Chen L, Huang B. 2018. A weighted heteroscedastic Gaussian Process Modelling via particle swarm optimization. Chemometrics and Intelligent Laboratory Systems. 172:129–38.

10.   Khan MMH, Muhammad NS, El-Shafie A. 2020. Wavelet based hybrid ANN-ARIMA models for meteorological drought forecasting. Journal of Hydrology. 590:125380.

11.   KIŞI Ö. 2006. Generalized regression neural networks for evapotranspiration modelling. Hydrological Sciences Journal. 51(6):1092–105.

12.   Komasi M, Sharghi S. 2020. Drought Forecasting Using Wavelet-Support Vector Machine and Standardized Precipitation Index (Case Study: Urmia Lake-Iran). Journal of Environmental Science and Technology. 22(7):83–101.

13.   Lazri M, Ameur S, Brucker JM, Lahdir M, Sehad M. 2015. Analysis of drought areas in northern Algeria using Markov chains. Journal of Earth System Science. 124:61–70.

14.   Li G, Liu Z, Li J, Fang Y, Liu T, Mei Y, et al. 2018. Application of general regression neural network to model a novel integrated fluidized bed gasifier. International Journal of Hydrogen Energy. 43(11):5512–21.

15.   Li L, She D, Zheng H, Lin P, Yang Z-L. 2020. Elucidating diverse drought characteristics from two meteorological drought indices (SPI and SPEI) in China Journal of Hydrometeorology. 21(7):1513–30.

16.   McKee TB, Doesken NJ, Kleist J. 1993. The relationship of drought frequency and duration to time scales. In: Proceedings of the 8th Conference on Applied Climatology. p. 179–83.

17.   Mehdizadeh S, Ahmadi F, Mehr AD, Safari MJS. 2020. Drought modeling using classic time series and hybrid wavelet-gene expression programming models. Journal of Hydrology. 587:125017.

18.   Neal RM. 1997. Monte Carlo implementation of Gaussian process models for Bayesian regression and classification. arXiv preprint physics /9701026.

19.   Pal M, Deswal S. 2010. Modelling pile capacity using Gaussian process regression. Computers and Geotechnics. 37(7–8):942–7.

20.   Paulo AA, Pereira LS. 2007. Prediction of SPI drought class transitions using Markov chains. Water resources management. 21:1813–27.

21.   Pei Z, Fang S, Wang L, Yang W. 2020. Comparative analysis of drought indicated by the SPI and SPEI at various timescales in inner Mongolia, China. Water. 12(7):1925.

22.   Tay FEH, Cao L. 2001. Application of support vector machines in financial time series forecasting. Omega. 29(4):309–17.

23.   Taylan ED, Terzi Ö, Baykal T. 2021. Hybrid wavelet–artificial intelligence models in meteorological drought estimation. Journal of Earth System Science. 130:1–13.

24.   Won J, Choi J, Lee O, Kim S. 2020. Copula-based Joint Drought Index using SPI and EDDI and its application to climate change. Science of the Total Environment. 744:140701.

25.   Xu D, Zhang Q, Ding Y, Huang H. 2020. Application of a hybrid ARIMA–SVR model based on the SPI for the forecast of drought—a case study in Henan Province, China. Journal of Applied Meteorology and Climatology. 59(7):1239–59.

26.   Yang D, Zhang X, Pan R, Wang Y, Chen Z. 2018. A novel Gaussian process regression model for state-of-health estimation of lithium-ion battery using charging curve. Journal of Power Sources. 384:387–95.

27.     Zhang C, Wei H, Zhao X, Liu T, Zhang K. 2016. A Gaussian process regression based hybrid approach for short-term wind speed prediction. Energy conversion and management. 126:1084–92.