@article { author = {مدرسی, فرشته}, title = {Assessment of model fusion strategy for increasing the accuracy of autumn rainfall forecasting}, journal = {Journal of Agricultural Meteorology}, volume = {3}, number = {2}, pages = {-}, year = {2015}, publisher = {Iranian Society of Irrigation and Water Engineering}, issn = {2345-3419}, eissn = {2588-6002}, doi = {}, abstract = {Autumn precipitation forecasting plays a key role in agricultural planning especially rainfed farming feasibility studies. andnbsp;In this study, model fusion technique has been used in order to increase the accuracy of autumn precipitation forecast. Based on two teleconnection signals of SOI and NINO 3.4 as predictors, five models including; Artificial Neural Network (ANN), Generalized Regression Neural Network (GRNN), Support Vector Regression (SVR), K-Nearest Neighbor (KNN), and Linear Regression (LR) with optimized structure have been implemented as individual rainfall forecasting models (IPFMs)in Seimareh subbasin of Karkheh basin, IRAN.In order to combine the IPFMs, the ordered weighted aggregation strategy (OWA) has been performed in which, two weighting methods including Orness and Orlike methods have been used and assessed for determining the weights of IPFMs. The results of this study showed that the forecasted rainfall obtained from two methods of OWA model fusion strategy has more accuracy comparing to individual forecasting models. Moreover, application of the Orlike method did a quite better job than Orness method. Besides, comparing the results of the OWA strategy methods with two other strategies viz model fusion with artificial neural network and selecting the best IPFM revealed that both Orness and Orlike methods are performing more precisely than two other strategies in forecasting rainfall.}, keywords = { Model Fusion,Ordered Weighted Aggregation (OWA),Orness,Orlike,Soi,NINO 3.4}, title_fa = {ارزیابی راهبرد ترکیب مدل ها در افزایش دقت پیش بینی بارش پاییزه}, abstract_fa = {پیش بینی بارش پاییزه در برنامه ریزی های کشاورزی به ویژه امکان سنجی کشت دیم از اهمیت ویژه ای برخوردار است. در مطالعه حاضر، برای افزایش دقت پیش بینی بارش پاییزه از تکنیک ترکیب مدل ها استفاده شده است. به این منظور، بر اساس دو شاخص اقلیمی SOI و NINO 3.4 به عنوان متغیرهای پیش بینی کننده، پنج مدل شبکه عصبی مصنوعی، شبکه عصبی رگرسیون تعمیم یافته، رگرسیون بردار پشتیبان، K نزدیک ترین همسایگی و رگرسیون خطی با ساختار بهینه به عنوان مدل های منفرد پیش بینی کننده بارش اجرا شده اند. برای ترکیب مدل های مذکور از راهبرد وزن دهی رتبه بندی شده به مدل ها (OWA) استفاده شده که در آن، برای تعیین وزن مدل ها، دو روش Orness و Orlike مورد استفاده و ارزیابی قرار گرفتند. نتایج پیش بینی بارش در زیرحوضه سیمره از حوضه کرخه نشان می دهد که بارش پیش بینی شده با استفاده از راهبرد ترکیب مدل ها از دقت بیش تری نسبت به مدل های منفرد برخوردار است و روش Orlike در مقایسه با روش Orness، دقت پیش بینی ها را بیشتر افزایش می دهد. همچنین، مقایسه نتایج روش های راهبرد OWA با دو راهبرد ترکیب مدل ها با شبکه عصبی مصنوعی و راهبرد انتخاب بهترین مدل منفرد نشان می دهد که قابلیت هر دو روش Orness و Orlike برای بهبود دقت پیش بینی بارش، بیش از راهبرد های شبکه عصبی و بهترین مدل منفرد است.}, keywords_fa = { ترکیب مدل ها,وزن دهی رتبه بندی شده,Orness,Orlike,SOI,NINO 3.4}, url = {https://www.agrimet.ir/article_54953.html}, eprint = {https://www.agrimet.ir/article_54953_e0baabaf6b0558cbc474cdf513fdfe72.pdf} }