بهبود عملکرد مدل برنامه‌نویسی بیان ژن با استفاده از تبدیل موجک برای تخمین بارش درازمدت شهر رشت

بارندگی مهم‌ترین منبع تامین آب شرب و کشاورزی ساکنین نواحی مختلف کره زمین محسوب می‌شود. بنابراین شبیه‌سازی و تخمین این پدیده هیدرولوژیکی از اهمیت بسزایی برخوردار است. در این مطالعه برای اولین بار، بارش درازمدت شهر رشت در طی یک دوره 62 ساله از 1956 تا 2017 به‌صورت ماهانه توسط یک مدل هوش مصنوعی ترکیبی بهینه‌یافته، شبیه‌سازی شد. برای توسعه مدل هوش مصنوعی ترکیبی (wgep)، مدل برنامه‌نویسی بیان ژن (gep) و تبدیل موجک (wavelet transform) ترکیب شدند. در ابتدا، تاخیرهای موثر داده‌های سری زمانی با استفاده از تابع خودهمبستگی شناسایی شدند و با استفاده از آنها برای هر یک از مدل‌های gep و wgep هشت مدل متفاوت تعریف شد. سپس، نتایج مدل‌های gep تجزیه‌و‌تحلیل شدند و مدل برتر gep و موثرترین تاخیرها معرفی شدند. مقادیر شاخص عملکرد (vaf)، ضریب همبستگی (r) و شاخص پراکندگی (si) برای مدل برتر gep به‌ترتیب‌ مساوی با 25/765، 0/508 و 0/709 محاسبه شدند. علاوه بر این، تاخیرهای شماره (t-1)، (t-2)، (t-3) و (t-12) موثرترین تاخیرها بودند. در ادامه، اعضای مختلف موجک های مادر نیز بررسی شدند که موجک مادر demy به‌عنوان بهینه‌ترین انتخاب شد. همچنین، تجزیه‌و‌تحلیل نتایج مدل‌های ترکیبی نشان داد که تبدیل موجک عملکرد مدل برنامه نویسی بیان ژن را به‌شکل قابل ملاحظه‌ای بهبود بخشید. استفاده از این موجک مادر باعث افزایش سه برابری شاخص عملکرد مدل wgep برتر شد. علاوه بر این، شاخص‌های آماری r و mare برای مدل wgep برتر به‌ترتیب‌ مساوی با 0/935 و 0/862 به‌دست آمدند. همچنین مقادیر si، vaf و ضریب نش‌ساتکلیف برای این مدل به‌ترتیب‌ برابر با 0/296، 0/394 و 0/858 تخمین زده شدند. نتایج این مطالعه نشان داد که تبدیل موجک عملکرد مدل برنامه‌نویسی بیان ژن را به‌شکل قابل توجهی افزایش می‌دهد و پیشنهاد می‌شود تبدیل موجک برای بهبود عملکرد سایر الگوریتم‌های هوش مصنوعی در مباحث هیدرولوژیکی مورد استفاده قرار گیرد.

Improvement of Gene Expression Programming Model Performance using Wavelet Transform for the Estimation of Long-Term Rainfall in Rasht City

Rainfall may be considered as the most important source of drinking water and watering land in different areas all over the world. Therefore, simulation and estimation of the hydrological phenomenon is of paramount importance. In this study, for the first time, the longterm rainfall in Rasht city was simulated using an optimum hybrid artificial intelligence (AI) model over a 62 year period from 1956 to 2017. The gene expression programming (GEP) and wavelet transform (WT) were combined to develop the hybrid AI model (WGEP). Firstly, the most effective lags of time series data were identified by means of the autocorrelation function (ACF); then eight various GEP and WGEP models were defined. Next, the GEP models were analyzed and the superior GEP model as well as the most influenced lags was detected. For instance, the variance accounting for (VAF), correlation coefficient (R) and scatter index (SI) for the superior GEP model was calculated to be 0.765, 0.508 and 0.709, respectively. Additionally, lags (t1), (t2), (t3) and (t12) were the most influenced. Then, the different mother wavelets were examined, indicating that the demy mother wavelet was the most optimal one. Moreover, analyzing the numerical simulations showed that the mother wavelet enhanced the performance of the GEP model significantly. For example, the VAF index for the superior WGEP model was increased almost three times after using the mother wavelet. Furthermore, the R and MARE statistical indices for the WGEP model were computed to be 0.935 and 0.862, respectively.