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

Abstract

پیش‌بینی‌کردن خشک‌سالی نقش مهمی در طراحی و مدیریت کردن منابع طبیعی، سامانه­های منابع آب و تعیین‌کردن نیاز آبی گیاه دارد. از سوی دیگر، تبدیل موجک یکی از روش­های نوین و بسیار موثر در تجزیه‌ کردن پیام­ها و مجموعه‌­های زمانی است. در این تحقیق پیام شاخص بارش معیار (SPI) با موجک مادر تجزیه کرده، و نتیجه‌ی آن ورودی مدل­های شبکه‌ی عصبی‌مصنوعی و برنامه‌ریزی بیان ژن گرفته شد. برای پیش‌بینی‌کردن خشک‌سالی شبکه­های عصبی‌مصنوعی شناسنده‌ی چندلایه، تابع پایه‌یی شعاعی، برنامه‌ریزی بیان ژن، شبکه‌های عصبی مصنوعی-موجک شناسنده‌ی چندلایه، تابع پایه‌یی شعاعی، و برنامه‌ریزی بیان ژن-موجک 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 ژن-موجک 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 WA-GEP به‌ترتیب 0/911، 0/037، 0/022 و 0/845 بود.