fa ارزیابی کارایی مدل‌های مختلف خطی و غیرخطی در پیش‌بینی بارندگی ماهانه در تغییرات اقلیم استان همدان هواشناسی هواشناسی پژوهشي Research <div style="text-align: justify;"><span style="font-size:11px;"><span dir="RTL">در این پژوهش به منظور پیش‌بینی مقادیر ماهانه بارش از مدل‌های ماشین بردار پشتیبان (</span><span style="font-family:times new roman,serif;">SVM</span><span dir="RTL">)، ماشین بردار پشتیبان تلفیق شده با تبدیل موجک (</span><span style="font-family:times new roman,serif;">W-SVM</span><span dir="RTL">)،</span><span style="font-family:times new roman,serif;">ARMAX </span><span dir="RTL">&nbsp;و </span><span style="font-family:times new roman,serif;">ARIMA</span><span dir="RTL"> استفاده گردید.</span> <span dir="RTL">&nbsp;لذا از سری زمانی ماهانه ایستگاه‌های باران‌سنجی واقع در استان همدان طی یک دوره 25 ساله (1370-1394) استفاده شد.</span> <span dir="RTL">&nbsp;این دوره 25 ساله به 17 سال&nbsp; برای آموزش، 4 سال برای واسنجی و ۴ سال برای صحت‌سنجی مدل تقسیم شد. مقایسه آماری نتایج به کمک شاخص‌های ضریب همبستگی (</span><span style="font-family:times new roman,serif;">r</span><span dir="RTL">)، جذر میانگین مربعات خطا (</span><span style="font-family:times new roman,serif;">RMSE</span><span dir="RTL">) و خطای استاندارد (</span><span style="font-family:times new roman,serif;">SE</span><span dir="RTL">) صورت گرفت.</span> <span dir="RTL">نتایج نشان داد که به ترتیب مدل‌های </span><span style="font-family:times new roman,serif;">ARIMA</span><span dir="RTL">، ماشین بردار پشتیبان، </span><span style="font-family:times new roman,serif;">ARMAX</span><span dir="RTL"> و ماشین بردار پشتیبان تلفیق شده با تبدیل موجک در رتبه‌های اول تا چهارم قرار دارند. همچنین مدل ماشین بردار پشتیبان دارای پارامترهای قابل تنظیم کمتری نسبت به مدل‌های دیگر می باشد. لذا این مدل با سهولت بیشتر و در زمان کمتری قادر به پیش‌بینی بارش بوده و از این نظر نسبت به</span> <span dir="RTL">سایر روش‌ها ارجحیت دارد.</span></span></div> <div style="text-align: justify;">&nbsp;&nbsp;&nbsp;&nbsp; In this research, we used the support vector machine (SVM), support vector machine combined with wavelet transform (W-SVM), ARMAX and ARIMA models to predict the monthly values of precipitation. The study considers monthly time series data for precipitation stations located in Hamedan province during a 25-year period (1998-2016). The 25-year simulation period was divided into 17 years for training, 4 years for calibration and 4 years for validation. Statistical comparison of the results was conducted by using correlation coefficient (r), root mean square error (RMSE), and standard error (SE). Results showed that ARIMA, Support Vector Machines, ARMAX and <a name="_Hlk506045507">support</a> vector machine combine with wavelet transform were ranked first to forth, respectively. Furthermore, the support vector machine has fewer adjustable parameters than other models. So, the model is able to predict precipitation with greater ease and less time. For this reason, it is preferable to other methods.<br> &nbsp;</div> ARIMA, ARMAX, بارش, پیش‌بینی, ماشین بردار پشتیبان, موجک ARIMA, ARMAX, Precipitation, Prediction, Support Vector Machine, Wavelet 1 12 http://jwmr.sanru.ac.ir/browse.php?a_code=A-11-596-2&slc_lang=fa&sid=1 Hamed Nozari حامد نوذری hamnozari@yahoo.com 10031947532846009049 10031947532846009049 Yes water engineering and science Department گروه علوم و مهندسی آب Fateme Tavakoli فاطمه توکلی fatemetavakoli27@yahoo.com 10031947532846009050 10031947532846009050 No water engineering and science Department گروه علوم و مهندسی آب