تخمین نوسانات تراز آب زیرزمینی توسط مدل بهینه موجک-برنامه‌نویسی بیان ژن

به دلیل کاهش منابع آب زیرزمینی و خشک سالی های اخیر، شبیه سازی نوسانات تراز آب زیرزمینی از اهمیت بالایی برخوردار است. در این مطالعه، مدل برنامه نویسی بیان ژن (gep) با تبدیل موجک (wt) ترکیب شد و مدل موجکبرنامه نویسی بیان ژن (wgep) تولید گردید و تخمین دراز مدت نوسانات چاه مشاهداتی سراب قنبر در یک دوره 13 ساله بهینه سازی شد. در ابتدا داده های مشاهداتی به دو دسته آموزش (9 سال) و آزمون (4 سال) تقسیم شدند. سپس با استفاده از تابع خود همبستگی، موثرترین تاخیرهای داده های سری زمانی معرفی شدند. در ادامه با استفاده از این تاخیرها برای هر یک از مدل های gep و wgep، چهار مدل مختلف تعریف گردید. با تجزیه و تحلیل کلیه مدل های gep و wgep، مدل برتر شناسایی گردید. مدل برتر یا 4 wgep مقادیر تراز آب زیرزمینی را با دقت مناسبی شبیه سازی کرد. به عنوان مثال، مقادیر ضریب همبستگی و ضریب بهره وری نشساتکلیف برای این مدل به ترتیب مساوی با 938/0 و 851/0 محاسبه شدند. مقایسه مدل های gep و wgep نشان داد که تبدیل موجک دقت مدل سازی را به شکل قابل توجهی افزایش داد. به عنوان مثال، ضریب عملکرد مدل برتر wgep در مقایسه با مدل برتر gep حدودا 14 برابر افزایش یافت. علاوه بر این، نتایج نشان داد که تاخیرهای شماره (t1)، (t2)، (t3) و (t4) موثرترین تاخیرهای ورودی بودند.

Estimation of Groundwater Variations using Optimized Gene Expression Programming model

Groundwater plays a vital role in supplying water demands for different consumptions in dry and semidry regions of earth. Iran is considered as an arid and semiarid region and its groundwater resources have recently shown some significant changes. Owing to the reduction of groundwater resources and recent droughts, simulation of groundwater level variations has significant importance. In some areas of the country of Iran, groundwater levels have been dropped significantly. Therefore, the prediction and simulation of the groundwater level variation are crucially important. In this study, the Gene Expression Programming (GEP) model was combined with Wavelet Transform (WT) to estimate longterm variations of groundwater level (GWL) in the SarabGhanbar observation well over a 13years period. Firstly, observation data were divided into two subsamples, 9 years for training and 4 years for testing. Then, the most effective input lags were identified using the autocorrelation function. Next, four different models for each GEP and WGEP method were developed using the lags. The superior model was identified by analyzing all GEP and WGEP models. The superior GEP model simulated the GWL with acceptable accuracy. For instance, the correlation coefficient and NashSutcliffe efficiency coefficient for the model were calculated at 0.938 and 0.851, respectively. A comparison between the GEP and WGEP models showed that the wavelet transforms enhanced the performance of simulation significantly. For example, Variance Accounted For (VAF) index for the best WGEP model was 14 times more than the best GEP model. In addition, the sensitivity analysis indicated that (t1), (t2), (t3) and (t4) lags were the most influenced input lags.