مدلسازی تبخیر ماهانه با استفاده از روش‏های منفرد و هیبریدی-موجک داده ‏کاوی در حوضه ‏های آبریز ایران با تنوع اقلیمی

تبخیر به عنوان یکی از پارامترهای طبیعی، همواره مورد توجه محققین بوده است. در این پژوهش، متغیر تبخیر ماهانه با استفاده از روش‏های شبکه عصبی مصنوعی، سامانه استنتاجی فازی-عصبی تطبیقی و برنامه‏ ریزی بیان ژن و ترکیب روش‏های مذکور با تیوری موجک، در دو اقلیم متفاوت ایران مدلسازی شد. بدین منظور، داده‏های هواشناسی بارش، رطوبت نسبی، دمای میانگین، دمای بیشینه، دمای کمینه و سرعت باد، در طول دوره آماری 1397-1384 مربوط به دو حوضه آبریز دریاچه ارومیه و گاوخونی به کار گرفته شد. در این مطالعه، اثر فصلی و نویززدایی داده‏ها اعمال شد. دقت روش‏های مورد مطالعه بر اساس شاخص‏های آماری ضریب همبستگی (R)، ریشه میانگین مربعات خطا (RMSE)، میانگین خطای مطلق (MAE) و ضریب کارایی نش-ساتکلیف (NSE) مورد بررسی قرار گرفت. نتایج حاکی از این است که در دو اقلیم مختلف روش‏های هیبرید موجک برنامه ‏ریزی بیان ژن و شبکه عصبی مصنوعی منفرد به ترتیب دارای بالاترین و ضعیف‏ترین عملکرد در میان سایر مدل‏های داده کاوی به کار رفته در این تحقیق هستند. مدل هیبریدی موجک-برنامه ‏ریزی بیان ژن با مقدار RMSE  برابر با 870/20 و 884/156 میلی‏متر به ترتیب برای ایستگاه‏ های تازه ‏کند در حوضه آبریز دریاچه ارومیه و کوهپایه در حوضه آبریز گاوخونی عملکرد بالاتری را داشته است. همچنین، نتایج نشان داد که تاثیر به کارگیری ضریب فصلی و نویززدایی داده‏ها در ارتقاء عملکرد مدل‏ها قابل توجه است. بر اساس نتایج، عملکرد مدل‏ها در حوضه آبریز دریاچه ارومیه با اقلیم Dsa بهتر بوده است. همچنین، روش‏های داده‏کاوی هیبریدی را می‏توان به عنوان جایگزین مناسبی برای روش‏های قدیمی معرفی نمود.