بهینه سازی شبکه ANFIS با استفاده از تبدیل موجک برای شبیه سازی بارش دراز مدت شهر رشت

تخمین و پیش  بینی الگوی بارش در نواحی مختلف جهان به ویژه در نواحی خشک و نیمه خشک کره زمین مانند کشور ایران از اهمیت بسزایی برخوردار است. علاوه بر آن روش   های عددی مختلف مانند روش های هوش مصنوعی به دلیل دقت و سرعت بالا توانایی شبیه  سازی پدیده بارش و موضوعات مشابه را دارد. استفاده از این روش ها نقش بسزایی در صرفه جویی در زمان و هزینه  ها در مطالعات میدانی و آزمایشگاهی دارد. بنابراین، روز به روز به کاربرد و محبوبیت تکنیک  های متنوع هوش مصنوعی برای تخمین و شبیه  سازی مسایل متفاوت مانند بارندگی افزوده می  شود. هدف از این مطالعه تخمین بارش دراز مدت شهر رشت توسط یک مدل ترکیبی ANFIS و تبدیل موجک می باشد.

در این مطالعه، بارش شهر رشت در یک بازه زمانی دراز مدت 62 ساله از سال 1956 تا 2017 توسط یک مدل ترکیبی بهینه یافته هوش مصنوعی شبیه سازی شد. به عبارت دیگر، برای بهبود عملکرد مدل ANFIS از تبدیل موجک بهره گرفته شد و مدل ترکیبی WANFIS تعریف گردید. در ابتدا، با استفاده از تابع خود همبستگی تاخیرهای موثر داده های سری های زمانی شناسایی شدند. سپس با استفاده از این تاخیرها، برای هر یک از مدل های ANFIS و WANFIS هشت مدل توسعه داده شد. لازم به ذکر است که برای آموزش مدل های هوش مصنوعی از داده های 42 سال و برای آزمون آنها از داده های 20 سال استفاده گردید. در ادامه، بهینه ترین تعداد توابع عضویت مدل ANFIS برابر با دو انتخاب شد.

نتایج مدل های ANFIS 1 تا ANFIS 8 مورد بررسی قرار گرفتند. سپس اعضای مختلف خانواده موجک برای بهینه سازی مدل ANFIS مورد ارزیابی قرار گرفتند. به بیان دیگر، demy به عنوان بهترین عضو خانواده موجک برای بهبود عملکرد مدل ANFIS معرفی گردید. مقایسه مدل های ANFIS و WANFIS نشان داد که تبدیل موجک عملکرد مدل ANFIS را به شکل قابل ملاحظه ای افزایش داد. سپس نتایج مدل های ترکیبی WANFIS تجزیه و تحلیل شدند که مدل WANFIS 8 به عنوان مدل برتر معرفی شد. این مدل مقادیر بارندگی را با دقت قابل قبولی تخمین زد. به عنوان مثال، مقادیر R، MARE و RMSE برای مدل برتر به ترتیب مساوی با 0/961، 0/855 و 24/510 میلی متر محاسبه شدند.

نتایج نشان داد که تاخیرهای شماره (t-1)، (t-2)، (t-3) و (t-12) موثرترین تاخیرها برای تخمین بارش درازمدت شهر رشت توسط مدل ترکیبی WANFIS بودند.