بهينه‌سازي مدل برنامه‌ريزي بيان ژن توسط تبديل موجك براي شبيه‌سازي بارش درازمدت شهر انزلي

Optimization of Gene Expression Programming Model using Wavelet Transform for Simulating Long-term Rainfall in Anzali City

تخمين و شبيه‌سازي روند بارندگي در نواحي مختلف جهان به‌دليل خشكسالي و تغيير اقليم از اهميت فراواني برخوردار است. در اين مطالعه، يك مدل هوش مصنوعي تركيبي برنامه‌ريزي بيان ژن- موجك (WGEP) براي مدل‌سازي بارندگي درازمدت 67 ساله شهر انزلي براي اولين بار توسعه داده شد. اين مدل از تركيب تبديل موجك (Wavelet) و برنامه‌ريزي بيان ژن (GEP) به‌دست آمد. در ابتدا، بهينه‌ترين عضو خانواده تبديل موجك معرفي شد. سپس با تجزيه و تحليل نتايج مدل‌سازي، دقيق‌ترين تابع اتصال و برازش براي مدل برنامه‌ريزي بيان ژن به‌دست آمد. در ادامه، با استفاده از تابع خودهمبستگي و خودهمبستگي نسبي و تأخيرهاي مختلف، 15 مدل WGEP توسعه داده شد. مدل‌هاي WGEP براي بازه‌هاي زماني 37، 20 و 10 ساله به‌ترتيب آموزش، آزمون و صحت‌سنجي شدند. همچنين، با انجام تحليل حساسيت، مدل برتر و مؤثرترين تأخيرها براي شبيه‌سازي بارش درازمدت شناسايي شدند. مدل برتر مقادير تابع هدف را با دقت بالايي تخمين زد. به‌عنوان مثال، مقادير ضريب همبستگي و شاخص پراكندگي براي اين مدل در شرايط صحت‌سنجي به‌ترتيب برابر با 0/946 و 0/310 محاسبه شدند. علاوه بر اين، تأخيرهاي شماره 1، 2، 4 و 12 به‌عنوان مؤثرترين تأخيرها در مدل‌سازي بارش توسط مدل تركيبي معرفي شدند. همچنين، نتايج مدل برتر تركيبي با مدل برنامه‌نويسي بيان ژن مقايسه شد كه مدل تركيبي دقت بيشتري داشت.

Due to drought and climate change, estimation and prediction of rainfall is quite important in various areas all over the world. In this study, a novel artificial intelligence (AI) technique (WGEP) was developed to model long-term rainfall (67 years period) in Anzali city for the first time. This model was combined using Wavelet Transform (WT) and Gene Expression Programming (GEP) model. Firstly, the most optimized member of wavelet families was chosen. Then, by analyzing the numerical models, the most accurate linking function and fitness function were selected for the GEP model. Next, using the autocorrelation function (ACF), the partial autocorrelation function (PACF) and different lags, 15 WGEP models were introduced. The GEP models were trained, tested and validated in 37, 20- and 10-years periods, respectively. Also, using sensitivity analysis, the superior model and the most effective lags for estimating long-term rainfall were identified. The superior model estimated the target function with high accuracy. For instance, correlation coefficient and scatter index for this model were 0.946 and 0.310, respectively. Additionally, lags 1, 2, 4 and 12 were proposed as the most effective lags for simulating rainfall using hybrid model. Furthermore, results of the superior hybrid model were compared with GEP model that the hybrid model had more accuracy.