پیش‌بینی بارش ماهانه با دقت زیاد یکی از چالش‌های مهم در علوم هیدرولوژی و هواشناسی می‌باشد و در برنامه‎ریزی منابع آب از اهمیت بالایی برخوردار است. در تحقیق حاضر، یک مدل ترکیبی احتمالاتی کلاس مبنا (CPHM) بر پایه ترکیب روش‌های کلاس‎بندی و توابع کرنل احتمالاتی توسعه داده شده است که با استفاده از آن می‌توان بر اساس بارش‌های فصلی (ورودی مدل)، بارش ماهانه (خروجی مدل) را با دقت بالایی برای تمامی ‌ماه‌های یک فصل پیش‌بینی نمود. برتری‌های این مدل نسبت به روش‌های مرسوم پیش‌بینی ماهانه بارش، از یک سو قابلیت آن برای پیش‌بینی بارش ماهانه برای فصلی نظیر پاییز در ایران می‌باشد که ماه‌های قبل از آن (در تابستان) بدون بارش است، و از سوی دیگر قابلیت آن برای پیش‌بینی هم‌زمان بارش برای تمامی ماه‌های یک فصل می‌باشد که از نظر مدیریت منابع آب بسیار ارزشمند است. از این‌رو، به منظور ارزیابی کارآیی این مدل، مدل مذکور برای پیش‌بینی بارش ماهانه پاییزه در حوضه آبریز کرخه که دربرگیرنده جلگه حاصلخیز خوزستان است، بکار گرفته شد و عملکرد آن با مدل شبکه عصبی مصنوعی (ANN) با ساختار بهینه شده نیز مورد مقایسه قرار گرفت. نتایج نشان‌دهنده عملکرد بالای مدل CPHM و برتری آن در مقایسه با مدل بهینه شده ANN برای پیش‌بینی بارش در هر سه ماه فصل پاییز می‌باشد؛ به‌طوری که متوسط دقت نتایج در مرحله صحت‎سنجی این مدل برای سه ماه پاییز بر اساس شاخص‌های نش- ساتکلیف (NSE)، جذر میانگین مربعات خطا (RMSE) و ضریب همبستگی پیرسون (PCC) به ترتیب برابر با 0/7، 12 و 0/86 می‌باشد.

کلمات کلیدی