بررسی عملکرد شبکه عصبی‌مصنوعی در تخمین میزان بارش با استفاده از داده‌های اقلیمی و جغرافیایی (مطالعه موردی: استان فارس)

پیش بینی بارش از نقش مهمی در حفظ، مدیریت، تخصیص و توزیع منابع آب، تعیین حجم تاسیسات آبی،  تامین نیاز آبی محصولات و همچنین تعیین مقدار فرسایش و رسوب برخوردار است. روش‌های مختلفی جهت پیش بینی بارش وجود دارد. این پژوهش با هدف بررسی عملکرد شبکه های عصبی مصنوعی در پیش بینی بارش ماهانه بر اساس اطلاعات اقلیمی و جغرافیایی نظیر دمای حداقل و حداکثر، رطوبت حداقل و حداکثر، بارش، طول و عرض جغرافیایی و ارتفاع از سطح دریا در سطح 23 ایستگاه استان فارس اجرا گردید. نتایج در سطح 5، 10 و 18 داده ورودی نشان داد با افزایش تعداد ورودی دقت مدل در تخمین میزان بارش ماهانه افزایش می یابد. دقیق ترین مدل شبکه عصبی در روش نرمال سازی رتبه ای با یک لایه مخفی و بهترین ساختارهای شبکه نیز به ترتیب در ساختار 1-25-5، 1-30-10 و 1-20-18 می باشد. نتایج نشان داد که شبکه عصبی با 18 ورودی دارای کوچک ترین mse=0.032 و بالاترین r=0.62 می باشد. بهترین روش برای نرمال سازی، روش رتبه ای با شبکه عصبی بهینه یک لایه و ساختار 1-25-5 و الگوریتم آموزش لونبرگ- مارکوارت و تابع محرک تانژانت سیگموئید می باشد. بنابراین با استفاده از شبکه عصبی مصنوعی (با 18 ورودی معرفی شده) می توان مقدار و توزیع بارش ماهانه منطقه وسیعی را با دقت قابل قبولی پیش بینی نمود. این موضوع نقش بسیار تعیین کننده ای در مدیریت و برنامه ریزی منابع آب شرب و کشاورزی ایفا می کند؛ به طوری که می توان با در نظر گرفتن این پیش بینی ها، سیاست های آینده را در جهت بهینه سازی صرف هزینه ها و امکانات بهره وری حداکثر طرح ریزی کرد.

evaluation of the artificial neural network performance in estimating rainfall using climatic and geographical data (case study: fars province)

precipitation forecasting is essential in maintaining, managing, allocating, and distributing water resources, determining the volume of water facilities, supplying the crops’ water requirement, and determining the amount of erosion and sedimentation. this research aimed to investigate the performance of artificial neural networks in predicting monthly rainfall based on climatic and geographic information such as minimum and maximum temperature, minimum and maximum humidity, precipitation, latitude and longitude, and altitude above sea level in 23 stations of the fars province. the results on levels 5, 10, and 18 of input data showed that the model accuracy in estimating the monthly rainfall increases with the increment in the number of inputs. the most accurate neural network model is in the rank normalization method with one hidden layer, and also, the best network structures are 5-25-1, 10-30-1, and 18-20-1, respectively. the results indicated that the neural network with 18 inputs has the smallest mse=0.032 and the highest r=0.62. the best normalization method is the ranking method with an optimal neural network of one layer and 5-25-1 structure, the levenberg-marquardt training algorithm, and the sigmoid tangent stimulus function. therefore, by using an artificial neural network (with 18 introduced inputs), it is possible to predict the amount and distribution of monthly rainfall in a wide area with acceptable accuracy. this issue plays a very decisive role in the management and planning of drinking and agricultural water resources; by taking into account these forecasts, future policies can be planned to optimize costs and maximum productivity facilities.