TY - JOUR ID - 3603 TI - بهبود پیش بینی بارش ماهانه با استفاده از مدل تلفیقی بر پایه روش کرنل- تبدیل موجک و تجزیه ی یکپارچه مد تجربی کامل JO - نشریه مهندسی عمران امیرکبیر JA - CEEJ LA - fa SN - 2588-297X AU - روشنگر, کیومرث AU - قاسم پور, رقیه AD - گروه مهندسی آب، دانشگاه تبریز، ایران AD - مهندسی و مدیریت منابع آب،دانشکده عمران، دانشگاه تبریز Y1 - 2020 PY - 2020 VL - 52 IS - 10 SP - 2649 EP - 2660 KW - بارش KW - تبدیل موجک KW - عناصر اقلیمی KW - مد تجربی KW - GPR DO - 10.22060/ceej.2019.16043.6109 N2 - بارش یکی از مهم‌ترین اجزای چرخة آب بوده و در سنجش خصوصیات اقلیمی هر منطقه، نقش بسیار مهمی ایفا می‌کند. تخمین مقادیر بارش ماهانه برای اهداف مختلفی چون برآورد سیلاب، خشکسالی، برنامه‌ریزی آبیاری و مدیریت حوضه‌های آبریز اهمیت زیادی دارد. در تحقیق حاضر، پیشبینی بارش ماهانه ایستگاه تبریز با استفاده از روش هوشمند رگرسیون فرآیند گاوسی (GPR )بر پایه روش تجزیه ی یکپارچه مد تجربی کامل (CEEMD )و تبدیل موجک (WT ) مورد بررسی قرار گرفته است. در این راستا، مدل‌های متفاوتی بر اساس شاخص‌های پیوند از دور و عناصر اقلیمی تعریف شد و نرخ تأثیر پارامترهای ورودی مختلف مورد بررسی قرار گرفت. نتایج حاصل از تحلیل مدل‌ها قابلیت و کارایی بالای روش به کار رفته را در تخمین میزان بارش ماهانه به خوبی نشان داد. ملاحظه گردید که در پیش بینی بارش ماهانه، شاخص‌های پیوند از دور MEI ,Nino3, NAO و عناصر اقلیمی شامل میانگین دمای ماهانه و رطوبت نسبی و همچنین بارش مربوط به ماه های گذشته در پیش بینی مقادیر بارش تاثیرگذار بوده و موجب بهبود نتایج مدل‌ها می‌گردد. در بررسی روش‌های تجزیه ی یکپارچه مد تجربی کامل و تبدیل موجک گسسته مشاهده گردید که تجزیه بر اساس تبدیل موجک منجر به نتایج دقیق‌تری می‌گردد. بهترین حالت ارزیابی برای داده های آزمون با استفاده از تجزیه‌ی تبدیل موجک در حالت مدل‌سازی بر اساس داده‌های اقلیمی و عناصر پیوند از دور با مقادیر0/889= R=0/961,DC و 0/036= MSER بدست آمد. همچنین بر اساس نتایج آنالیز حساسیت مشخص گردید که   3-Pt تاثیرگذارترین پارامتر در مدل‌سازی است. UR - https://ceej.aut.ac.ir/article_3603.html L1 - https://ceej.aut.ac.ir/article_3603_27e2bad8fee7528ae4e89d73b70e21cf.pdf ER -