ارزيابي مدل هاي تلفيقي شبكه‌ي عصبي‌مصنوعي-موجك و برنامه ريزي بيان ژن موجك در پيش‌بيني‌كردن خشك‌سالي كوتاه‌مدت

پيش‌بيني‌كردن خشك‌سالي نقش مهمي در طراحي و مديريت كردن منابع طبيعي، سامانه هاي منابع آب و تعيين‌كردن نياز آبي گياه دارد. از سوي ديگر، تبديل موجك يكي از روش هاي نوين و بسيار موثر در تجزيه‌ كردن پيام ها و مجموعه‌ هاي زماني است. در اين تحقيق پيام شاخص بارش معيار (SPI) با موجك مادر تجزيه كرده، و نتيجه‌ي آن ورودي مدل هاي شبكه‌ي عصبي‌مصنوعي و برنامه‌ريزي بيان ژن گرفته شد. براي پيش‌بيني‌كردن خشك‌سالي شبكه هاي عصبي‌مصنوعي شناسنده‌ي چندلايه، تابع پايه‌يي شعاعي، برنامه‌ريزي بيان ژن، شبكه‌هاي عصبي مصنوعيموجك شناسنده‌ي چندلايه، تابع پايه‌يي شعاعي، و برنامه‌ريزي بيان ژنموجك به‌كاربرده شد. داده‌هاي بارندگي از ايستگاه هواشناسي بيدستان با دوره‌ي داده‌برداري 44 ساله در آبخيز شور استان قزوين گرفته شد. وضعيت رطوبتي با شاخص بارندگي به‌معيارشده در دوره‌ي‌ سه‌ماهه محاسبه كرده شد. براي تخمين مقدار شاخص بارندگي به‌معيارشده در هر بازه‌ي زماني، اندازه‌هاي زمان‌هاي پيش‌تر به‌كاربرده شد. نتيجه‌ها نشان داد كه از ميان 6 مدل بررسي‌شده، برنامه‌ريزي بيان ژنموجك با دقت بيش‌تري شاخص بارش معيار و وضعيت خشك‌سالي كوتاه‌مدت را پيش‌بيني مي‌كند. در بهترين حالت نيز اندازه‌ي شاخص‌هاي R2، RMSE، MAE و NS در مرحله‌ي صحت‌سنجي براي مدل WAGEP به‌ترتيب 0/911، 0/037، 0/022 و 0/845 بود.