تخمین بارش درازمدت شهر بابلسر با استفاده از برنامه‌ریزی بیان ژن بهینه‌یافته

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 0.571 و 0.792 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 31.710 و 82.064 بودند.

estimation of long-term rainfall in babolsar city by using the optimized gene expression programming

estimation and simulation of precipitation is considered as one of the most issues in the field of hydrology. in this study, for the first time, the long-term rainfall in babolsar city during a 68 years period from 1951 to 2019 was predicted by using an optimized hybrid artificial intelligence (ai) technique. to end this, the gene expression programming (gep) model was combined with the wavelet transform. to training the ai models, 70% of the observed values were utilized and 30% of these values were used to testing those models. additionally, the autocorrelation function (acf) was applied to identify the most influential lags and then six gep models were developed by means of these detected lags. the number of optimized genes was selected to be four. in addition, the multiplication function was introduced as the best linking function of the gep model. the superior gep model was introduced through a sensitivity analysis that the correlation coefficient (r) and scatter index (si) for this model were calculated to be 0.571 and 0.792, respectively. the (t-1), (t-2), (t-12), and (t-36) time series lags were introduced as the most effective input lags. the coif was detected as the best mother wavelet to simulate the target function. the hybrid wgep model simulated the values of rainfall with acceptable accuracy. in the other words, the wavelet transform enhanced the performance of the gep model significantly. for instance, the value of variance accounted for (vaf) for the gep and wgep models were respectively computed to be 31.710 and 82.064