مدلسازی تبخیر ماهانه با استفاده از روش‏های منفرد و هیبریدی-موجک داده‏کاوی در حوضه‏های 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 فازیعصبی تطبیقی و برنامه‏ریزی بیان ژن و ترکیب روش‏های مذکور با تئوری 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 13971384 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 نشساتکلیف (nse) مورد بررسی قرار گرفت. نتایج حاکی از این است که در دو اقلیم مختلف روش‏های هیبرید موجک برنامه‏ریزی 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 موجکبرنامه‏ریزی بیان ژن با مقدار rmse  برابر با 870/20 و 884/156 میلی‏متر به ترتیب برای ایستگاه‏های تازه‏کند در حوضه آبریز دریاچه ارومیه و کوهپایه در حوضه آبریز گاوخونی عملکرد بالاتری را داشته است. همچنین، نتایج نشان داد که تاًثیر 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.

Modeling Of Monthly Evaporation Using Single and Hybrid-Wavelet Data-Driven Methods in Basins of Iran with Climate Variety

Evaporation as one of the natural parameters has always been considered by researchers. In this study, the monthly evaporation variable was modeled in two different climates of Iran using artificial neural network, adaptive fuzzyneural inference system and gene expression programming methods and combining these methods with wavelet theory. For this purpose, meteorological data of precipitation, relative humidity, average temperature, maximum temperature, minimum temperature and wind speed were used during the statistical period of 13841397 related to the two catchments of Urmia Lake and Gavkhouni. In this study, the seasonal effect and data noise reduction were applied. The accuracy of the studied methods was evaluated based on statistical correlation coefficient (R), root mean square error (RMSE), mean absolute error (MAE) and nashsutcliffe efficiency (NSE). The results show that in two different climates, the wavelethybrid gene expression programming and the single artificial neural network have the highest and weakest performance, respectively, among other data mining models used in this study. The hybrid waveletgene expression programming model with RMSE value of 20.870 and 156.884 had higher performance for Tazehkand station in Urmia Lake catchment area and Kuhpayeh catchment in Gavkhouni catchment area, respectively. Also, the results showed that the effect of seasonal factor utilization and data noise reduction in model performance improvement is significant. Based on the results of the models performance Urmia Lake catchment area with Dsa climate has been better. However, hybrid data mining methods can be introduced as a good alternative to the old methods.