تخمين بارش روزانه با استفاده از مدل هاي تركيبي ANFIS آموزش داده شده توسط روش خوشه بندي ميانگين هايc فازي و الگوريتم هاي تكاملي

امروزه به دليل وجود عدم قطعيت بالا در تخمين بارش در مناطق مختلف جغرافيايي، به‌كارگيري روش‌هاي هوش محاسباتي بر مبناي الگوريتم‌هاي بهينه‌ساز جهت تخمين دقيق بارش هاي روزانه مورد توجه مهندسين آب قرار گرفته است. در پژوهش حاضر، از سيستم تطبيقي فازي عصبي استنتاجي  (ANFIS)به همراه تبديل موجك (W) به‌عنوان پيش پردازشگر داده‌هاي بارش روزانه  جهت تخمين مقادير، مورد استفاده قرار گرفت. ساختار مدل تركيبي WANFIS با استفاده از روش خوشه‌بندي ميانگين‌هاي c فازي (FCM) در مرحله آموزش توسعه داده شد. همچنين، ضرايب ثابت توابع عضويت موجود در مدل ANFIS با به‌كارگيري چهار الگوريتم بهينه‌ساز وراثتي (GA)، ازدحام ذرات (PSO)، تكامل تفاضلي (DE) و جامعه مورچگان  (ACO)بهينه شدند. در اين پژوهش، آمار بارندگي دوره yr 11 حوضه ازمير واقع در غرب كشور تركيه استفاده شد. با به‌كارگيري پنج تأخير زماني در آمار بارش روزانه و همچنين تجزيه شدن هر يك از تأخيرهاي زماني در سه سطح حاصل از تبديل موجك، هر يك از مدل‌هاي بهينه WANFIS داراي 20 متغير ورودي شدند. نتايج حاصل از آناليز آماري مراحل آموزش و آزمايش با استفاده از پارامترهاي ريشه ميانگين مربعات خطا (RMSE) و خطاي مطلق ميانگين (MAE) نشان دادند كه كاربرد الگوريتم تكامل تفاضلي  در ساختار مدل WANFIS با داشتن RMSE و MAE برابر با  22.22 وmm  17.11 در مقايسه با ساير مدل‌هاي تركيبي حاصل از PSO (28.11 و mm 11/ 24)، ACO (30.41 و  mm26.50) و GA (18.11 وmm  25.70) از دقت بالايي برخوردار مي‌باشد.