یاسر شیخی - دانشجوی دکترا گروه مهندسی عمران، دانشکده مهندسی عمران و معماری، دانشگاه شهید چمران اهواز، اهواز، ایران
سیدمحمد اشرفی - دانشیار گروه مهندسی عمران، دانشکده مهندسی عمران و معماری، دانشگاه شهید چمران اهواز، اهواز، ایران
علی حقیقی - استاد گروه مهندسی محیط زیست، دانشکده مهندسی عمران و معماری، دانشگاه شهید چمران اهواز، اهواز، ایران

پیش بینی بارش به عنوان مهمترین ورودی مدل های هیدرولوژیکی اهمیت بسزائی در مدیریت وقایع هیدرولوژیکی دارد. در تحقیق حاضر چهار مدل هوش مصنوعی از ترکیب الگوریتم بهینه سازی کلونی مورچه ها (Ant Colony Optimization) با سه نوع شبیه ساز شبکه عصبی پیشخور پس انتشار (Feed-Forward Backpropagation Neural Network(FFBNN))، شبکه عصبی پیشخور پس انتشار آبشاری ( Cascade-Forward (Backpropagation Neural Network(CFBNN)، شبکه عصبی پس انتشار المان Neural Elman Backpropagation) (Network(EBNN) و استفاده از تبدیل موجک (Wavelet) جهت پیش بینی بارش روزانه مناطق شهری توسعه داده شده است . در روش پیشنهادی این تحقیق ، مدلهای بهینه سازی با کنترل همه مراحل پیش بینی ، نسبت به بهینه سازی ورودی ها، انتخاب نوع موجک مادر، سطح تجزیه و پارامترهای موثر شبیه سازی در جهت افزایش دقت پیش بینی ، اقدام می نمایند. از ویژگی های اصلی مدلهای پیشنهادی انتخاب خودکار موجک مادر و ورودهای مدلهای شبیه ساز، جهت بهینه سازی پیش بینی بارش می باشد. اعتبار سنجی مدلها با استفاده از معیارهای مختلفی مانند میانگین خطای مطلق ((MAE ، ضریب همبستگی ((R ، خطای جذر میانگین مربعات((RMSE انجام گردید. نتایج حاصل از این مطالعه نشان می دهد که مدل ترکیبی AC-W-FF با RMSE=۱.۴۲ mm و R=۹۷.۱۵ عملکرد بهتری نسبت به سایر مدلها در پیش بینی بارندگی روزانه دارد.

پیش بینی بارش، هوش مصنوعی ، بهینه سازی فراابتکاری ، تبدیل موجک ، شبکه عصبی