فهرست نشریات علمی دسترسی آزاد ایران

در پژوهش حاضر، با استفاده از روش­های یادگیری شامل الگوریتم هیبریدی ماشین بردار پشتیبان حداقل مربعات و الگوریتم بهینه­سازی نهنگ (LSSVM_WOA)، K نزدیکترین همسایه (KNN) و شبکه­ عصبی مصنوعی (ANN) اقدام به ریز­مقیاس نمایی بارش در شش ایستگاه حوزه کارون 3 پرداخته شده است. برای ریز­مقیاس نمایی بارش، ابتدا روز­های سال با استفاده الگوریتم­های MARS و درخت مدل M5 به روز­های تر و خشک تقسیم می­شوند. سپس، مقدار بارش برای روز­های تر با استفاده از هر یک از روش­های LSSVM_WOA، KNN و ANN تخمین زده می­شود. نتایج پژوهش حاکی از برتری الگوریتم MARS نسبت به M5 می­باشد. همچنین، براساس میانگین بارش شش ایستگاه الگوریتم ANN با 5/0 درصد ضریب نش بیشتر، اندکی بهتر از الگوریتم LSSVM_WOA عمل می­کند. در حالی که با در نظر گرفتن میانگین انحراف معیار مقدار ضریب نش برای الگوریتم ANN تا 04/5 درصد دقیق­تر از الگوریتم LSSVM_WOA است. در نهایت مقدار بارش برای افق­های 2020-2040 و 2070-2100 تحت سناریو­های مدل CanESM2 شامل RCP2.6، RCP4.5 و RCP8.5 پیش­بینی شده است. نتایج حاصل از الگوریتم LSSVM_WOA حاکی از کاهش بارش نسبت به دوره پایه (1972-2001) تحت هر سه سناریو می­باشد. بیشترین مقدار کاهش بارش برابر با 18 درصد و برای سناریو RCP8.5 در افق 2070-2100 محاسبه شده است. کمترین مقدار کاهش بارش (1 درصد) نیز مربوط به سناریو RCP2.6 در افق 2020-2040 می­باشد. اما مقدار تغییرات بارش پیش­بینی شده توسط ANN در دوره آینده نسبت به دوره پایه از 43- درصد تا 72 درصد تغییر می­کند. بنابراین، جواب­های حاصل از LSSVM_WOA به دلیل عدم قطعیت کمتر، قابل اعتماد­تر است.