Abstract Drought is a major area of interest within the field of water resources management, agriculture, energy resources and community health. Recently researchers have examined not only the mathematical expression of drought indices but also statistical predictions. Accordingly, high accuracy results were obtained using stand-alone machine learning techniques such as artificial neural networks (ANN) and support vector machine (SVM). However, lately, hybrid models have been introduced, which are created by integrating different time series decomposition techniques into standalone models, since the accuracy of stand-alone models used in the drought prediction being low particularly for mid-term and long-term drought predictions. In this study, self-calibrated Palmer Drought Severity Index (sc-PDSI) values were predicted by using three different standalone models and six hybrid models which are performed by two different decomposition techniques, such as Empirical mode decomposition (EMD) and Wavelet decomposition (WD). The main purpose of this study is to evaluate the effect of using EMD and WD for decomposing time series into their sub-bands on drought prediction. sc-PDSI time series were used to achieve 1, 3 and 6-month lead time predictions for Adana and Antalya cities located in the southern part of Turkey. Model performance indicators such as mean square error (MSE), Nash-Sutcliffe efficiency coefficient (NSE) and determination coefficient (R2) were employed to compare the proposed models. The results revealed that the accuracy of the stand-alone models, particularly in mid-term sc-PDSI predictions, was unsatisfactory. However, the prediction accuracy has been increased significantly with the introduction of EMD and WD techniques. Considering the Adana region, the hybrid wavelet models outperformed the models hybridized by EMD for not only 1-month lead time (NSEWD-ANFIS = 0.981 and NSEEMD-M5 = 0.890), but also for 3-month (NSEWD-SVM = 0.878 and NSEEMD-ANFIS = 0.811) and 6-month (NSEWD-ANFIS = 0.857 and NSEEMD-ANFIS = 0.783) lead times. According to the obtained results for Antalya region, similar findings were also observed among hybrid models. Thus, it is concluded that the predictions made using WD have higher accuracy than EMD, and the correct wavelet type selection has a significant effect on the results.

中文翻译：

---

干旱预测中小波和经验模式分解混合模型的比较

摘要 干旱是水资源管理、农业、能源资源和社区健康领域的一个主要关注领域。最近，研究人员不仅研究了干旱指数的数学表达式，还研究了统计预测。因此，使用诸如人工神经网络 (ANN) 和支持向量机 (SVM) 等独立机器学习技术获得了高精度结果。然而，最近引入了混合模型，它是通过将不同的时间序列分解技术集成到独立模型中而创建的，因为用于干旱预测的独立模型的准确性较低，尤其是中长期干旱预测. 在这项研究中，自校准帕尔默干旱严重程度指数 (sc-PDSI) 值是通过使用三个不同的独立模型和六个混合模型来预测的，这些模型由两种不同的分解技术执行，例如经验模式分解 (EMD) 和小波分解 (WD)。本研究的主要目的是评估使用 EMD 和 WD 将时间序列分解为其子带对干旱预测的影响。sc-PDSI 时间序列用于对位于土耳其南部的阿达纳和安塔利亚城市进行 1、3 和 6 个月的提前期预测。采用均方误差（MSE）、纳什-萨特克利夫效率系数（NSE）和决定系数（R2）等模型性能指标对提出的模型进行比较。结果表明，独立模型的准确性，特别是在中期 sc-PDSI 预测中，并不令人满意。但是，随着 EMD 和 WD 技术的引入，预测精度已显着提高。考虑到 Adana 区域，混合小波模型不仅在 1 个月的前置时间（NSEWD-ANFIS = 0.981 和 NSEEMD-M5 = 0.890），而且在 3 个月（NSEWD-SVM = 0.878 和NSEEMD-ANFIS = 0.811）和 6 个月（NSEWD-ANFIS = 0.857 和 NSEEMD-ANFIS = 0.783）交货时间。根据安塔利亚地区获得的结果，在混合模型中也观察到类似的结果。因此，可以得出结论，使用 WD 进行的预测比 EMD 具有更高的准确度，并且正确的小波类型选择对结果有显着影响。随着 EMD 和 WD 技术的引入，预测精度显着提高。考虑到 Adana 区域，混合小波模型不仅在 1 个月的前置时间（NSEWD-ANFIS = 0.981 和 NSEEMD-M5 = 0.890），而且在 3 个月（NSEWD-SVM = 0.878 和NSEEMD-ANFIS = 0.811）和 6 个月（NSEWD-ANFIS = 0.857 和 NSEEMD-ANFIS = 0.783）交货时间。根据安塔利亚地区获得的结果，在混合模型中也观察到类似的结果。因此，可以得出结论，使用 WD 进行的预测比 EMD 具有更高的准确度，并且正确的小波类型选择对结果有显着影响。随着 EMD 和 WD 技术的引入，预测精度显着提高。考虑到 Adana 区域，混合小波模型不仅在 1 个月的前置时间（NSEWD-ANFIS = 0.981 和 NSEEMD-M5 = 0.890），而且在 3 个月（NSEWD-SVM = 0.878 和NSEEMD-ANFIS = 0.811）和 6 个月（NSEWD-ANFIS = 0.857 和 NSEEMD-ANFIS = 0.783）交货时间。根据安塔利亚地区获得的结果，在混合模型中也观察到类似的结果。因此，可以得出结论，使用 WD 进行的预测比 EMD 具有更高的准确度，并且正确的小波类型选择对结果有显着影响。混合小波模型不仅在 1 个月的前置时间（NSEWD-ANFIS = 0.981 和 NSEEMD-M5 = 0.890）上优于 EMD 混合模型，而且在 3 个月（NSEWD-SVM = 0.878 和 NSEEMD-ANFIS = 0.811） ) 和 6 个月（NSEWD-ANFIS = 0.857 和 NSEEMD-ANFIS = 0.783）交货时间。根据安塔利亚地区获得的结果，在混合模型中也观察到类似的结果。因此，可以得出结论，使用 WD 进行的预测比 EMD 具有更高的准确度，并且正确的小波类型选择对结果有显着影响。混合小波模型不仅在 1 个月的前置时间（NSEWD-ANFIS = 0.981 和 NSEEMD-M5 = 0.890）上优于 EMD 混合模型，而且在 3 个月（NSEWD-SVM = 0.878 和 NSEEMD-ANFIS = 0.811） ) 和 6 个月（NSEWD-ANFIS = 0.857 和 NSEEMD-ANFIS = 0.783）交货时间。根据安塔利亚地区获得的结果，在混合模型中也观察到类似的结果。因此，可以得出结论，使用 WD 进行的预测比 EMD 具有更高的准确度，并且正确的小波类型选择对结果有显着影响。在混合模型中也观察到类似的发现。因此，可以得出结论，使用 WD 进行的预测比 EMD 具有更高的准确度，并且正确的小波类型选择对结果有显着影响。在混合模型中也观察到类似的发现。因此，可以得出结论，使用 WD 进行的预测比 EMD 具有更高的准确度，并且正确的小波类型选择对结果有显着影响。