تخمین بارش درازمدت شهر بابلسر با استفاده از برنامه ریزی بیان ژن بهینه یافته

تخمین و شبیه سازی بارندگی یکی از مهمترین حوزه های علم هیدرولوژی محسوب می شود. در این مطالعه، برای اولین بار بارش دراز مدت شهر بابلسر در یک بازه 68 ساله از سال 1951 تا 2019 به صورت ماهانه توسط یک مدل هوش مصنوعی ترکیبی بهینه یافته پیش بینی شد. برای انجام اینکار، مدل برنامه ریزی بیان ژن (GEP) با تبدیل موجک (WT) ترکیب شدند. برای آموزش مدل های هوش مصنوعی از 70 درصد مقادیر مشاهداتی و برای آزمون آنها از 30 درصد باقیمانده استفاده گردید. همچنین، با استفاده از تابع خود همبستگی (ACF) تاخیرهای موثر داده های سری زمانی شناسایی شدند و با استفاده از آنها، شش مدل GEP مختلف توسعه داده شدند. تعداد ژن های بهینه سازی شده مدل GEP مساوی با چهار انتخاب گردید. علاوه بر این تابع Multiplication به عنوان بهترین تابع اتصال مدل GEP معرفی گردید. مدل برتر GEP با انجام یک تحلیل حساسیت معرفی شد که مقادیر ضریب همبستگی (R) و شاخص پراکندگی (SI) آن به ترتیب مساوی با 571/0 و 792/0 محاسبه شدند. تاخیرهای شماره (t-1)، (t-2)، (t-12) و (t-24) به عنوان موثرترین تاخیرهای داده های سری زمانی معرفی شدند. لازم به ذکر است که در بین موجک های مادر مختلف، coif به عنوان موجک مادر برتر معرفی شد و سپس با مدل GEP ترکیب گردید. مدل ترکیبی WGEP مقادیر بارش ها را با دقت قابل قبولی شبیه سازی کرد. به عبارت دیگر، تبدیل موجک دقت مدل سازی را به شکل محسوسی بهبود بخشید. به عنوان مثال مقدار شاخص عملکرد (VAF) برای مدل GEP و WGEP به ترتیب مساوی با 710/31 و 064/82 بودند.