ارزیابی مدل های تلفیقی شبکه‌ی عصبی‌مصنوعی-موجک و برنامه ریزی بیان ژن موجک در پیش‌بینی‌کردن خشک‌سالی کوتاه‌مدت

پیش‌بینی‌کردن خشک‌سالی نقش مهمی در طراحی و مدیریت کردن منابع طبیعی، سامانه های منابع آب و تعیین‌کردن نیاز آبی گیاه دارد. از سوی دیگر، تبدیل موجک یکی از روش های نوین و بسیار موثر در تجزیه‌ کردن پیام ها و مجموعه‌ های زمانی است. در این تحقیق پیام شاخص بارش معیار (spi) با موجک مادر تجزیه کرده، و نتیجه‌ی آن ورودی مدل های شبکه‌ی عصبی‌مصنوعی و برنامه‌ریزی بیان ژن گرفته شد. برای پیش‌بینی‌کردن خشک‌سالی شبکه های عصبی‌مصنوعی شناسنده‌ی چندلایه، تابع پایه‌یی شعاعی، برنامه‌ریزی بیان ژن، شبکه‌های عصبی مصنوعیموجک شناسنده‌ی چندلایه، تابع پایه‌یی شعاعی، و برنامه‌ریزی بیان ژنموجک به‌کاربرده شد. داده‌های بارندگی از ایستگاه هواشناسی بیدستان با دوره‌ی داده‌برداری 44 ساله در آبخیز شور استان قزوین گرفته شد. وضعیت رطوبتی با شاخص بارندگی به‌معیارشده در دوره‌ی‌ سه‌ماهه محاسبه کرده شد. برای تخمین مقدار شاخص بارندگی به‌معیارشده در هر بازه‌ی زمانی، اندازه‌های زمان‌های پیش‌تر به‌کاربرده شد. نتیجه‌ها نشان داد که از میان 6 مدل بررسی‌شده، برنامه‌ریزی بیان ژنموجک با دقت بیش‌تری شاخص بارش معیار و وضعیت خشک‌سالی کوتاه‌مدت را پیش‌بینی می‌کند. در بهترین حالت نیز اندازه‌ی شاخص‌های r2، rmse، mae و ns در مرحله‌ی صحت‌سنجی برای مدل wagep به‌ترتیب 0/911، 0/037، 0/022 و 0/845 بود.

Evaluation of Integrated Models of WaveletArtificial Neural Network and WaveletGene Expression Programming in the ShortTerm Drought Prediction

Drought prediction plays an important role in the planning and management of natural resources, water resources and plant water requirements. Wavelet transform is one of the new and highly effective methods for analysing signals and time series. Using the mother wavelet, the standard precipitation index (SPI) signal was analyzed and the results were considered as inputs of the artificial neural network models and the gene expression programming (GEP). Multilayer perceptron (MLP), radial basis function (RBF), (GEP), as well as the waveletartificial neural networks integrated model and multilayer perceptron (WAMLP), radial basis function (WA RBF) and wavelet gene expression programming (WA GEP) were used for drought forecasting. The rainfall data collected at the Bidestan Station for a period of 44 years were used on the Shoor Watershed in the Province of Qazvin. Moisture condition was calculated using the SPI in the shortterm period of 3 months. To estimate the SPI in each period, the respective amounts were considered from the previous cycles. The results showed that among the six applied models, the WAGEP predicted the SPI values and the shortterm drought condition with a higher accuracy. The WAGEP model proved to be the best scenario in the validation stage of R2, RMSE, MAE and NS of 0.911, 0.037, 0.022 and 0.845, respectively.