بررسی عملکرد مدل برنامه ریزی بیان ژن با روش های پیش پردازش داده ها جهت مدل سازی جریان رودخانه

سابقه و هدف: نیاز روزافزون به آب سبب گردیده است که برنامه ریزی های مدیریتی به منظور کنترل مصرف آب در آینده از اهمیت بیشتری برخوردار باشد. با پیش بینی جریان رودخانه ها علاوه بر مدیریت بهره برداری از منابع آب، می توان حوادث طبیعی نظیر سیل و خشکسالی را نیز پیش بینی و مهار نمود. به همین دلیل برآورد صحیح و دقیق جریان رودخانه با استفاده از مدل های مختلف یکی از موضوعاتی است که در منابع آب مورد بررسی پژوهشگران می باشد. مدل های هوشمند جهت پیش بینی جریان رودخانه توسط پژوهشگران مختلف به کار رفته اند. یکی از این مدل ها که عملکرد خوبی از خود نشان داده است مدل برنامه ریزی بیان ژن می باشد. اخیرا شیوه استفاده از مدل های هوشمند به صورت ترکیبی مورد پذیرش قرار گرفته است که جهت انجام این کار معمولا از تبدیل موجک استفاده می شود. مواد و روش ها : در این مطالعه از مدل برنامه ریزی بیان ژن(GEP) برای مدل سازی جریان در مقیاس های روزانه و ماهانه در رودخانه گاماسیاب استفاده شد. برای این منظور از داده های بارش، دما، تبخیر و جریان رودخانه گاماسیاب در ایستگاه وراینه با یک دوره آماری 43 ساله (1390-1348) استفاده شد. برای افزایش عملکرد مدل از دو روش پیش پردازش داده ها یعنی تبدیل موجک(Wavelet Transform) و تجزیه به مولفه های اصلی(PCA) استفاده شد. بدین صورت که سیگنال اولیه هر یک از پارامترهای ورودی با استفاده از تبدیل موجک تجزیه شد. سپس برای مشخص کردن زیرسیگنال های مهم از روش تجزیه به مولفه های اصلی استفاده شده و زیرسیگنال های مهم به عنوان ورودی به مدل برنامه ریزی بیان ژن وارد شد تا مدل ترکیبی برنامه ریزی بیان ژن-موجک(WGEP) حاصل گردید. یافته ها: بررسی ساختارهای مختلف برای مدل برنامه ریزی بیان ژن نشان داد که عملکرد مدل در دوره روزانه خوب بوده ولی در دوره ماهانه عملکرد کاهش یافته است. مقایسه مدل ترکیبی برنامه ریزی بیان ژن-موجک با مدل برنامه ریزی بیان ژن نشان داد که عملکرد مدل ترکیبی در هر دو دوره زمانی روزانه و ماهانه از مدل ساده بهتر بوده است. دلیل این امر به خاطر پیش پردازشی است که روی داده ها پیاده شده بود. این در حالی است که نتایج مدل ترکیبی در دوره روزانه حدود 4 درصد و در دوره ماهانه 23 درصد ضریب تعیین مدل را افزایش داد. همچنین با توجه به تعداد زیاد زیرسیگنال ها به کار بردن روش PCA باعث افزایش سرعت اجرای برنامه شد. نتیجه گیری: استفاده از روش های پیش پردازش داده ها باعث افزایش عملکرد مدل شده است و استفاده از روشPCA به عنوان یک ابزار کمکی برای تبدیل موجک موجب افزایش سرعت و دقت مدل شده است. به طور کلی نتایج این مطالعه نشان داد که می توان از ترکیب مدل برنامه ریزی بیان ژن با تبدیل موجک به عنوان یک ابزار مناسب برای مدل سازی و پیش بینی جریان رودخانه گاماسیاب بهره برد.

Keywords:

برنامه ریزی بیان ژن , پیش پردازش داده ها , تبدیل موجک , روش PCA , مدل سازی جریان