بهبود عملكرد مدل برنامه‌نويسي بيان ژن با استفاده از تبديل موجك براي تخمين بارش درازمدت شهر رشت

بارندگي مهم‌ترين منبع تأمين آب شرب و كشاورزي ساكنين نواحي مختلف كره زمين محسوب مي‌شود. بنابراين شبيه‌سازي و تخمين اين پديده هيدرولوژيكي از اهميت بسزايي برخوردار است. در اين مطالعه براي اولين بار، بارش درازمدت شهر رشت در طي يك دوره 62 ساله از 1956 تا 2017 به‌صورت ماهانه توسط يك مدل هوش مصنوعي تركيبي بهينه‌يافته، شبيه‌سازي شد. براي توسعه مدل هوش مصنوعي تركيبي (WGEP)، مدل برنامه‌نويسي بيان ژن (GEP) و تبديل موجك (Wavelet transform) تركيب شدند. در ابتدا، تأخيرهاي مؤثر داده‌هاي سري زماني با استفاده از تابع خودهمبستگي شناسايي شدند و با استفاده از آنها براي هر يك از مدل‌هاي GEP و WGEP هشت مدل متفاوت تعريف شد. سپس، نتايج مدل‌هاي GEP تجزيه‌و‌تحليل شدند و مدل برتر GEP و مؤثرترين تأخيرها معرفي شدند. مقادير شاخص عملكرد (VAF)، ضريب همبستگي (R) و شاخص پراكندگي (SI) براي مدل برتر GEP به‌ترتيب‌ مساوي با 25/765، 0/508 و 0/709 محاسبه شدند. علاوه بر اين، تأخيرهاي شماره (t-1)، (t-2)، (t-3) و (t-12) مؤثرترين تأخيرها بودند. در ادامه، اعضاي مختلف موجك هاي مادر نيز بررسي شدند كه موجك مادر demy به‌عنوان بهينه‌ترين انتخاب شد. همچنين، تجزيه‌و‌تحليل نتايج مدل‌هاي تركيبي نشان داد كه تبديل موجك عملكرد مدل برنامه نويسي بيان ژن را به‌شكل قابل ملاحظه‌اي بهبود بخشيد. استفاده از اين موجك مادر باعث افزايش سه برابري شاخص عملكرد مدل WGEP برتر شد. علاوه بر اين، شاخص‌هاي آماري R و MARE براي مدل WGEP برتر به‌ترتيب‌ مساوي با 0/935 و 0/862 به‌دست آمدند. همچنين مقادير SI، VAF و ضريب نش‌ساتكليف براي اين مدل به‌ترتيب‌ برابر با 0/296، 0/394 و 0/858 تخمين زده شدند. نتايج اين مطالعه نشان داد كه تبديل موجك عملكرد مدل برنامه‌نويسي بيان ژن را به‌شكل قابل توجهي افزايش مي‌دهد و پيشنهاد مي‌شود تبديل موجك براي بهبود عملكرد ساير الگوريتم‌هاي هوش مصنوعي در مباحث هيدرولوژيكي مورد استفاده قرار گيرد.