Given its importance in water resources management, particularly in terms of minimizing flood or drought
hazards, precipitation forecasting has seen a wide variety of approaches tested. As monthly precipitation time
series have nonlinear features and multiple time scales, wavelet, seasonal auto regressive integrated moving average
(SARIMA) and hybrid artificial neural network (ANN) methods were tested for their ability to accurately
predict monthly precipitation. A 40-year (1970–2009) precipitation time series from Iran’s Nahavand meteorological
station (34°12’N lat., 48°22’E long.) was decomposed into one low frequency subseries and several high
frequency sub-series by wavelet transform. The low frequency sub-series were predicted with a SARIMA model,
while high frequency subseries were predicted with an ANN. Finally, the predicted subseries were reconstructed
to predict the precipitation of future single months. Comparing model-generated values with observed data, the
wavelet-SARIMA-ANN model was seen to outperform wavelet-ANN and wavelet-SARIMA models in terms of
precipitation forecasting accuracy.
Prognozowanie opadów, ze względu na ich znaczenie w gospodarce zasobami wodnymi, szczególnie
w zmniejszaniu ryzyka powodzi czy susz, było już przedmiotem wielu badań. Serie miesięcznych opadów mają
właściwości nieliniowe i różne skale czasowe, w związku z czym przetestowano różne metody: wavelet, metodę
zintegrowanej sezonowej autoregresji z ruchomą średnią (SARIMA) i hybrydową metodę sztucznych sieci neuronowych
(ANN) pod kątem ich zdolności do dokładnego przewidywania miesięcznych opadów. Czterdziestoletnią
(1970–2009) serię opadów z irańskiej stacji meteorologicznej w Nahavand (34°12’N, 48°22’E) rozłożono
na jedną podserię o niskiej częstotliwości i kilka podserii o wysokiej częstotliwości występowania opadów przez
transformację falkową. Podserie o niskiej częstotliwości prognozowano za pomocą modelu SARIMA, podczas
gdy podserie o wysokiej częstotliwości prognozowano, stosując ANN. Na koniec prognozowane podserie zrekonstruowano
celem przewidywania opadów w poszczególnych miesiącach w przyszłości. Porównanie wartości
generowanych przez model z danymi z obserwacji wykazało lepszą dokładność prognozowania opadów za pomocą
modelu wavelet-SARIMA-ANN niż za pomocą modeli wavelet-ANN i wavelet-SARIMA.
Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies
Informacja
SZANOWNI CZYTELNICY!
UPRZEJMIE INFORMUJEMY, ŻE BIBLIOTEKA FUNKCJONUJE W NASTĘPUJĄCYCH GODZINACH:
Wypożyczalnia i Czytelnia Główna: poniedziałek – piątek od 9.00 do 19.00