علیرضا عمادی - گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی ساری
سروین زمان زاد قویدل - پژوهشگر پسا دکتری، گروه مهندسی آبیاری و آبادانی پردیس کشاورزی و منابع طبیعی کرج، دانشگاه تهران
سهیلا زارعی - دانشجوی دوره دکتری مهندسی منابع آب، گروه مهندسی آبیاری و آبادانی پردیس کشاورزی و منابع طبیعی کرج، دانشگاه تهران
علی رشید نیقی - پژوهشگر پسا دکتری، دانشگاه مینه ستو آمریکا

تبخیر به عنوان یکی از پارامترهای طبیعی، همواره مورد توجه محققین بوده است. در این پژوهش، متغیر تبخیر ماهانه با استفاده از روشهای شبکه عصبی مصنوعی، سامانه استنتاجی فازی-عصبی تطبیقی و برنامهریزی بیان ژن و ترکیب روشهای مذکور با تئوری موجک، در دو اقلیم متفاوت ایران مدلسازی شد. بدین منظور، دادههای هواشناسی بارش، رطوبت نسبی، دمای میانگین، دمای بیشینه، دمای کمینه و سرعت باد، در طول دوره آماری ۱۳۹۷-۱۳۸۴ مربوط به دو حوضه آبریز دریاچه ارومیه و گاوخونی به کار گرفته شد. در این مطالعه، اثر فصلی و نویززدایی دادهها اعمال شد. دقت روشهای مورد مطالعه بر اساس شاخصهای آماری ضریب همبستگی (R)، ریشه میانگین مربعات خطا (RMSE)، میانگین خطای مطلق (MAE) و ضریب کارایی نش-ساتکلیف (NSE) مورد بررسی قرار گرفت. نتایج حاکی از این است که در دو اقلیم مختلف روشهای هیبرید موجک برنامهریزی بیان ژن و شبکه عصبی مصنوعی منفرد به ترتیب دارای بالاترین و ضعیفترین عملکرد در میان سایر مدلهای داده کاوی به کار رفته در این تحقیق هستند. مدل هیبریدی موجک-برنامهریزی بیان ژن با مقدار RMSE  برابر با ۸۷۰/۲۰ و ۸۸۴/۱۵۶ میلیمتر به ترتیب برای ایستگاههای تازهکند در حوضه آبریز دریاچه ارومیه و کوهپایه در حوضه آبریز گاوخونی عملکرد بالاتری را داشته است. همچنین، نتایج نشان داد که تاثیر به کارگیری ضریب فصلی و نویززدایی دادهها در ارتقاء عملکرد مدلها قابل توجه است. بر اساس نتایج، عملکرد مدلها در حوضه آبریز دریاچه ارومیه با اقلیم Dsa بهتر بوده است. همچنین، روشهای دادهکاوی هیبریدی را میتوان به عنوان جایگزین مناسبی برای روشهای قدیمی معرفی نمود.

اقلیم, تبخیر, دادهکاوی, موجک