بررسي عملكرد مدل برنامه ريزي بيان ژن با روش هاي پيش‌پردازش داده ها جهت مدل سازي جريان رودخانه

سابقه و هدف: نياز روزافزون به آب سبب گرديده است كه برنامه‌ريزي‌هاي مديريتي به‌منظور كنترل مصرف آب در آينده از اهميت بيشتري برخوردار باشد. با پيش‌بيني جريان رودخانه‌ها علاوه بر مديريت بهره‌برداري از منابع آب، مي‌توان حوادث طبيعي نظير سيل و خشكسالي را نيز پيش‌بيني و مهار نمود. به همين دليل برآورد صحيح و دقيق جريان رودخانه با استفاده از مدل‌هاي مختلف يكي از موضوعاتي است كه در منابع آب مورد بررسي پژوهشگران مي‌باشد. مدل‌هاي هوشمند جهت پيش بيني جريان رودخانه توسط پژوهشگران مختلف به كار رفته‌اند. يكي از اين مدل‌ها كه عملكرد خوبي از خود نشان داده است مدل برنامه‌ريزي بيان ژن مي‌باشد. اخيراً شيوه استفاده از مدل‌هاي هوشمند به صورت تركيبي مورد پذيرش قرار گرفته است كه جهت انجام اين كار معمولاً از تبديل موجك استفاده مي‌شود. مواد و روش‌ها : در اين مطالعه از مدل برنامه‌ريزي بيان ژن(GEP) براي مدل‌سازي جريان در مقياس‌هاي روزانه و ماهانه در رودخانه گاماسياب استفاده شد. براي اين منظور از داده‌هاي بارش، دما، تبخير و جريان رودخانه گاماسياب در ايستگاه وراينه با يك دوره آماري 43 ساله (1390-1348) استفاده شد. براي افزايش عملكرد مدل از دو روش پيش‌پردازش داده‌ها يعني تبديل موجك(Wavelet Transform) و تجزيه به مؤلفه‌هاي اصلي(PCA) استفاده شد. بدين‌صورت كه سيگنال اوليه هر يك از پارامترهاي ورودي با استفاده از تبديل موجك تجزيه شد. سپس براي مشخص كردن زيرسيگنال‌هاي مهم از روش تجزيه به مؤلفه‌هاي اصلي استفاده شده و زيرسيگنال‌هاي مهم به عنوان ورودي به مدل‌ برنامه‌ريزي بيان ژن وارد شد تا مدل‌ تركيبي برنامه‌ريزي بيان ژنموجك(WGEP) حاصل گرديد. يافته‌ها: بررسي ساختارهاي مختلف براي مدل برنامه‌ريزي بيان ژن نشان داد كه عملكرد مدل در دوره روزانه خوب بوده ولي در دوره ماهانه عملكرد كاهش يافته است. مقايسه مدل تركيبي برنامه‌ريزي بيان ژنموجك با مدل برنامه‌ريزي بيان ژن نشان داد كه عملكرد مدل تركيبي در هر دو دوره زماني روزانه و ماهانه از مدل ساده بهتر بوده است. دليل اين امر به خاطر پيش پردازشي است كه روي داده‌ها پياده شده بود. اين در حالي است كه نتايج مدل تركيبي در دوره روزانه حدود 4 درصد و در دوره ماهانه 23 درصد ضريب تعيين مدل را افزايش داد. همچنين با توجه به تعداد زياد زيرسيگنال‌ها به كار بردن روش PCA باعث افزايش سرعت اجراي برنامه شد. نتيجه‌گيري: استفاده از روش‌هاي پيش‌پردازش داده‌ها باعث افزايش عملكرد مدل‌ شده است و استفاده از روشPCA به عنوان يك ابزار كمكي براي تبديل موجك موجب افزايش سرعت و دقت مدل شده است. به طور كلي نتايج اين مطالعه نشان داد كه مي‌توان از تركيب مدل برنامه‌ريزي بيان ژن با تبديل موجك به عنوان يك ابزار مناسب براي مدل‌سازي و پيش‌بيني جريان رودخانه گاماسياب بهره برد.