تخمین بارش درازمدت شهر بابلسر با استفاده از برنامه ریزی بیان ژن بهینه یافته

تخمین و شبیه­سازی بارندگی یکی از مهمترین حوزه­های علم هیدرولوژی محسوب می­شود. در این مطالعه، برای اولین بار بارش دراز مدت شهر بابلسر در یک بازه ۶۸ ساله از سال ۱۹۵۱ تا ۲۰۱۹ به­صورت ماهانه توسط یک مدل هوش مصنوعی ترکیبی بهینه­یافته پیش­بینی شد. برای انجام اینکار، مدل برنامه ریزی بیان ژن (GEP) با تبدیل موجک (WT) ترکیب شدند. برای آموزش مدل­های هوش مصنوعی از ۷۰ درصد مقادیر مشاهداتی و برای آزمون آنها از ۳۰ درصد باقیمانده استفاده گردید. همچنین، با استفاده از تابع خود همبستگی (ACF) تاخیرهای موثر داده­های سری زمانی شناسایی شدند و با استفاده از آنها، شش مدل GEP مختلف توسعه داده شدند. تعداد ژن­های بهینه­سازی شده مدل GEP مساوی با چهار انتخاب گردید. علاوه بر این تابع Multiplication به­عنوان بهترین تابع اتصال مدل GEP معرفی گردید. مدل برتر GEP با انجام یک تحلیل حساسیت معرفی شد که مقادیر ضریب همبستگی (R) و شاخص پراکندگی (SI) آن به­ترتیب مساوی با ۵۷۱/۰ و ۷۹۲/۰ محاسبه شدند. تاخیرهای شماره (t-۱)، (t-۲)، (t-۱۲) و (t-۲۴) به­عنوان موثرترین تاخیرهای داده­های سری زمانی معرفی شدند. لازم به ذکر است که در بین موجک­های مادر مختلف، coif به­عنوان موجک مادر برتر معرفی شد و سپس با مدل GEP ترکیب گردید. مدل ترکیبی WGEP مقادیر بارش­ها را با دقت قابل قبولی شبیه­سازی کرد. به عبارت دیگر، تبدیل موجک دقت مدل سازی را به شکل محسوسی بهبود بخشید. به­عنوان مثال مقدار شاخص عملکرد (VAF) برای مدل GEP و WGEP به­ترتیب مساوی با ۷۱۰/۳۱ و ۰۶۴/۸۲ بودند.

Keywords:

بارش شهر بابلسر , برنامه ریزی بیان ژن , تبدیل موجک , سری زمانی , مدل سازی