بهبود عملکرد مدل برنامهنویسی بیان ژن با استفاده از تبدیل موجک برای تخمین بارش درازمدت شهر رشت

بارندگی مهمترین منبع تامین آب شرب و کشاورزی ساکنین نواحی مختلف کره زمین محسوب میشود. بنابراین شبیهسازی و تخمین این پدیده هیدرولوژیکی از اهمیت بسزایی برخوردار است. در این مطالعه برای اولین بار، بارش درازمدت شهر رشت در طی یک دوره ۶۲ ساله از ۱۹۵۶ تا ۲۰۱۷ بهصورت ماهانه توسط یک مدل هوش مصنوعی ترکیبی بهینهیافته، شبیهسازی شد. برای توسعه مدل هوش مصنوعی ترکیبی (WGEP)، مدل برنامهنویسی بیان ژن (GEP) و تبدیل موجک (Wavelet transform) ترکیب شدند. در ابتدا، تاخیرهای موثر دادههای سری زمانی با استفاده از تابع خودهمبستگی شناسایی شدند و با استفاده از آنها برای هر یک از مدلهای GEP و WGEP هشت مدل متفاوت تعریف شد. سپس، نتایج مدلهای GEP تجزیهوتحلیل شدند و مدل برتر GEP و موثرترین تاخیرها معرفی شدند. مقادیر شاخص عملکرد (VAF)، ضریب همبستگی (R) و شاخص پراکندگی (SI) برای مدل برتر GEP بهترتیب مساوی با ۲۵/۷۶۵، ۰/۵۰۸ و ۰/۷۰۹ محاسبه شدند. علاوه بر این، تاخیرهای شماره (t-۱)، (t-۲)، (t-۳) و (t-۱۲) موثرترین تاخیرها بودند. در ادامه، اعضای مختلف موجک ­های مادر نیز بررسی شدند که موجک مادر demy بهعنوان بهینهترین انتخاب شد. همچنین، تجزیهوتحلیل نتایج مدلهای ترکیبی نشان داد که تبدیل موجک عملکرد مدل برنامه­نویسی بیان ژن را بهشکل قابل ملاحظهای بهبود بخشید. استفاده از این موجک مادر باعث افزایش سه برابری شاخص عملکرد مدل WGEP برتر شد. علاوه بر این، شاخصهای آماری R و MARE برای مدل WGEP برتر بهترتیب مساوی با ۰/۹۳۵ و ۰/۸۶۲ بهدست آمدند. همچنین مقادیر SI، VAF و ضریب نشساتکلیف برای این مدل بهترتیب برابر با ۰/۲۹۶، ۰/۳۹۴ و ۰/۸۵۸ تخمین زده شدند. نتایج این مطالعه نشان داد که تبدیل موجک عملکرد مدل برنامهنویسی بیان ژن را بهشکل قابل توجهی افزایش میدهد و پیشنهاد میشود تبدیل موجک برای بهبود عملکرد سایر الگوریتمهای هوش مصنوعی در مباحث هیدرولوژیکی مورد استفاده قرار گیرد.