مدل های ترکیبی برنامه نویسی ژنتیکی و دیدگاه عصبی- موجکی با رویداشت به ویژگی های ژئومورفولوژیکی حوضه برای مدلسازی بارش- رواناب

در این پایان نامه هسته اصلی مباحث بر روی بهره گیری از هوش مصنوعی به ویژه الگوریتم های تکاملی همانند برنامه نویسی ژنتیکی، به عنوان نسل جدید مدل های جعبه سیاه با در نظر گرفتن خصوصیات ژئومورفولوژیکی حوضه آبریز برای مدلسازی بارش-رواناب متمرکز گردیده است. در این راستا از ابزارهایی همچون آنالیز موجک و منطق فازی برای در نظر گرفتن تاثیرات مقیاس های زمانی در سطوح مختلف و عدم قطعیت های موجود در پدیده استفاده شده است. حاصل این رویه ایجاد مدل هایی ترکیبی بوده که در قیاس با مدل های یگانه از ویژگی های مناسبتری برخوردار می باشند. از این دیدگاه چهار دسته مدل ترکیبی شامل مدل های هوش مصنوعی موجکی، مدل های هوش مصنوعی بهینه، مدل های هوش مصنوعی ژئومورفولوژیکی و مدل های هوش مصنوعی زمانی- مکانی یکپارچه طراحی گردیده و با سناریوهای مختلفی مورد ارزیابی قرار گرفته اند. رهیافت این نوع مدلسازی ترکیبی، فرمول های ژنتیکی و یا شبکه های آموزش یافته ای خواهد بود که بر پایه روش داده کاوی زمانی و مکانی حوضه استوار می باشند. نتایج بدست آمده از پژوهش، بیانگر آن است که مدل های ترکیبی چهارگانه به ترتیب توانایی مناسبی در آنالیز چند مقیاسه سری زمانی، بهینه یابی ساختار مدل های هوش مصنوعی با شناسایی متغیرهای تاثیرگذار در مدل، رصد نمودن نقش داده های هیدرولوژیکی و ژئومورفولوژیکی در فرآیند مدلسازی و ارائه یک مدل جامع یکپارچه که برای نقاط مختلف حوضه قابل کاربرد باشد را دارا هستند. همچنین مدل های ترکیبی طراحی شده، توانسته اند کارایی و دقت مدلسازی بارش- رواناب را تا حد مطلوب و چشمگیری افزایش دهند.