عدم قطعیت شبکه عصبی مصنوعی در تخمین تبخیر روزانه (مطالعه موردی: ایستگاه های رشت و منجیل)

در این تحقیق کاربرد شبکه عصبی پرسپترون چندلایه (mlp) برای پیش بینی تبخیر روزانه در دو ایستگاه سینوپتیک رشت و منجیل واقع در استان گیلان در شمال ایران بررسی گردیده است. ابتدا با استفاده از آزمون گاما مهم ترین ترکیب از پارامترهای هواشناسی برای هر دو ایستگاه شناسایی و مدل سازی براساس ترکیب بهینه صورت گرفت. نتایج مدل شبکه عصبی مصنوعی آزمون گاما (ann-gt) با استفاده از معیارهای ارزیابی مدل همچون مجذور میانگین مربعات خطا (rmse) ضریب همبستگی (cc) و ضریب ناشساتکلیف (ns) ارزیابی شده است. نتایج نشان داد که مدل (ann-gt) برای ایستگاه رشت با ضریب همبستگی 0.86، مجذور میانگین مربعات خطا 0.95، ضریب ناشساتکلیف 0.74 و ایستگاه منجیل با ضریب همبستگی 0.94، مجذور میانگین مربعات خطا 1.58، ضریب ناشساتکلیف 0.89، دارای عملکرد قابل قبولی در پیش بینی تبخیر روزانه می باشد. برای بررسی عدم قطعیت، درصدی از داده های مشاهده شده که در محدوده باند پیش بینی عدم قطعیت 95 درصد (95ppu) قرارگرفته اند (p-factor) و عرض متوسط باند (d-factor) برای مدل، مدنظر قرار داده شد. بنابر نتایج عدم قطعیت، عرض متوسط باند عدم قطعیت (d-factor) برای ایستگاه رشت (0.30) و برای منجیل (0.33) برآورد شد. این امر حاکی از عدم قطعیت پایین مدل شبکه عصبی مصنوعی آزمون گاما (ann-gt) در پیش بینی تبخیر روزانه برای هر دو ایستگاه می باشد. همچنین درصد داده های مشاهداتی در باند (95ppu) برای رشت 25 و برای منجیل 45 درصد به دست آمد. دلیل پایین بودن این مقادیر رامی توان، وجود عدم قطعیت های کوچک در پارامترها ذکر کرد.

Uncertainty of Artificial Neural Networks for Daily Evaporation Prediction (Case Study: Rasht and Manjil Stations)

This research uses the multilayer perceptron (MLP) model to predict daily evaporation at two synoptic stations located in Rasht and Manjil, Guilan province, in northwest of Iran. Initially the most important combinations of climatic parameters for both of the stations were identified using the gamma test; and daily evaporation were modeled based on the obtained optimal combination. The results of the artificial neural network Gamma Test (ANNGT) model are evaluated using the root mean square errors (RMSE), correlation coefficient and NashSutcliffe (NS) criteria. The results showed that the ANNGT model for Rasht station with a correlation coefficient 0.86, root mean square error 0.95 and NashSutcliffe criteria 0.74 and for Manjil station with correlation coefficient 0.94, root mean square error1.58 and NashSutcliffe criteria 0.89 has an acceptable performance in predicting daily evaporation. To evaluate the uncertainty, we considered a percentage of data which were included in 95 percent of uncertainty (pfactor) and the average width of the 95ppu band (dfactor). Regarding the uncertainty results, the average with of 95PPU bound were obtained as 0.33 and 0.3 for the Manjil and Rasht stations, respectively. This shows the low uncertainty level of the ANNGT model for predicting daily evaporation at both of the stations. Furthermore, the percentage of the observed data at 95PPU band was low and equal to %25 and %45 for the Rasht and Manjil stations, respectively. The reason for these low values can be due to low uncertainty in the parameters.