بهینه سازی مدل برنامه ریزی بیان ژن توسط تبدیل موجک برای شبیه سازی بارش درازمدت شهر انزلی

تخمین و شبیه سازی روند بارندگی در نواحی مختلف جهان به دلیل خشکسالی و تغییر اقلیم از اهمیت فراوانی برخوردار است. در این مطالعه، یک مدل هوش مصنوعی ترکیبی برنامه ریزی بیان ژن- موجک (WGEP) برای مدل سازی بارندگی درازمدت ۶۷ ساله شهر انزلی برای اولین بار توسعه داده شد. این مدل از ترکیب تبدیل موجک (Wavelet) و برنامه ریزی بیان ژن (GEP) به دست آمد. در ابتدا، بهینه ترین عضو خانواده تبدیل موجک معرفی شد. سپس با تجزیه و تحلیل نتایج مدل سازی، دقیق ترین تابع اتصال و برازش برای مدل برنامه ریزی بیان ژن به دست آمد. در ادامه، با استفاده از تابع خودهمبستگی و خودهمبستگی نسبی و تاخیرهای مختلف، ۱۵ مدل WGEP توسعه داده شد. مدل های WGEP برای بازه های زمانی ۳۷، ۲۰ و ۱۰ ساله به ترتیب آموزش، آزمون و صحت سنجی شدند. همچنین، با انجام تحلیل حساسیت، مدل برتر و موثرترین تاخیرها برای شبیه سازی بارش درازمدت شناسایی شدند. مدل برتر مقادیر تابع هدف را با دقت بالایی تخمین زد. به عنوان مثال، مقادیر ضریب همبستگی و شاخص پراکندگی برای این مدل در شرایط صحت سنجی به ترتیب برابر با ۰/۹۴۶ و ۰/۳۱۰ محاسبه شدند. علاوه بر این، تاخیرهای شماره ۱، ۲، ۴ و ۱۲ به عنوان موثرترین تاخیرها در مدل سازی بارش توسط مدل ترکیبی معرفی شدند. همچنین، نتایج مدل برتر ترکیبی با مدل برنامه نویسی بیان ژن مقایسه شد که مدل ترکیبی دقت بیشتری داشت.