برآورد بارش به کمک شبکه عصبی مصنوعی با داده های هواشناسی غیربارشی در سه منطقه شیراز، مشهد و کرمان

عنصر بارش ماهیت آشوبناکی و تصادفی داشته و از این نظر دارای تغییرات ساختاری در زمان های مختلف است. در این راستا به دلیل عدم قطعیت هایی که وجود دارد، نوسان های زیادی در مقدار بارش ایجاد می شود که پیش بینی این کمیت مهم را با مشکل مواجه نموده است. در این مقاله با تکنیک مقیاس بندی مجدد (r/s) و محاسبه نمای هرست (h) پیش بینی پذیری بارش در سه منطقه شیراز، کرمان و مشهد انجام شد. نمای هرست نشان داد که پارامتر بارش قابلیت پیش-بینی پذیری را دارد، زیرا h از 5/0 بزرگ تر بوده و بمراتب به مقدار 1 نزدیک تر است. به طوری که نمای هرست از حداقل 8/0 در ایستگاه مشهد تا حداکثر 92/0 در ایستگاه شیراز در نوسان بود. به منظور پیش بینی بارش از شبکه های عصبی مصنوعی استفاده شد. نوع پارامترهای ورودی براساس آزمون همبستگی پیرسون از بین داده های غیربارشی، ترکیبی از داده های دمایی و رطوبتی بودند. تعداد پارامترهای ورودی، تعداد لایه های میانی و سایر اطلاعات مربوط به شبکه عصبی مصنوعی به صورت تصادفی انتخاب و پیشنهاد شدند. در مجموع از شبکه های عصبی پرسپترون چند لایه برای برآورد بارش استفاده شد. مقایسه عملکرد شبکه های عصبی، نشان داد که استفاده از 3 و 4 پارامتر هواشناسی، بهترین رتبه برآوردگری را داشته اند. آرایش های پیشنهادی برای ایستگاه شیراز، 1-21-21-3، کرمان 1-25-25-3 و مشهد 1-19-19-4 دارای ضریب همبستگی بیش از 91 درصد شد. اعتبارسـنجی مدل های بارش نشان داد که شـبکه های طراحی شـده برای پارامتر بارش در ایستگاه های مشهد، شیراز و کرمان به ترتیب با خطای 4، 11 و 14 درصد، دارای بهترین عملکرد بوده اند. در مجموع نتایج نشان می دهند که استفاده از روش شبکه عصبی با درنظر گرفتن اطلاعات دمایی و رطوبتی، نتایج مناسبی برای توصیف فرآیند و ترکیب آن ها در پیش بینی، به دست می دهند