پیش‌بینی بارش روزانه با استفاده از شبکه‌های عصبی مصنوعی مطالعه موردی: ایستگاه سینوپتیک مشهد

پیش‌بینی بارش، به عنوان یکی از مهم‌ترین متغیرهای اقلیمی در حوزه مدیریت منابع آب از اهمیت ویژه‌ای برخوردار است. از طرفی، وجود رابطه‌‌های غیرخطی پیچیده در معادلات حاکم، مدل سازی بارش را امری مشکل نموده است از اینرو امروزه محققین با ابداع روش‌های مستقل از مدل‌های دینامیکی سیستم، در جستجوی راه‌هایی به منظور شناخت و پیش بینی بهتر متغیرهای مهم هواشناسی از جمله بارش می باشند. یکی از این روش‌ها، شبکه‌های عصبی مصنوعی است که از مولفه‌های هوش مصنوعی محسوب می‌شود. در این تحقیق، پیش‌بینی بارش روزانه به کمک شبکه‌های عصبی مصنوعی صورت گرفته است. برای این منظور از اطلاعات بارش روزانه 23 سال آماری (1383-1361) ماه مارس به عنوان ماه مرطوب و ماه های می و دسامبر به عنوان دو ماه متوسط از نظر رطوبتی، در ایستگاه سینوپتیک مشهد استفاده شده است. از مجموع 713 داده بارش، 580 داده برای آموزش و آزمون حین آموزش و بقیه داده‌ها برای صحت سنجی مدل‌ها استفاده شد. شبکه عصبی مورد استفاده، شیوه ای جدید از شبکه پرسپترون پیشخور سه لایه با پس انتشارخطا می‌باشد که از الگوریتم کاهش گرادیان به منظور آموزش آن استفاده شده است. در این رابطه، پس از بررسی و آزمون و خطای بسیار، دو توپولوژی 521 gsو 651 gs برای ماه مارس، 541 gsو 681 gsبرای ماه می و 571 gsو631 gsبرای ماه دسامبر، بر اساس مناسب ترین پارامتر‌ها برای شبکه‌های عصبی انتخاب شد. بدین منظور، از امکانات و توابع موجود در محیط برنامه‌نویسی نرم‌افزار matlab، بهره گرفته شد. ضریب همبستگی(r)، میانگین مجذور مربعات خطا (rmse) و میانگین خطای مطلق(mae)، در بهترین مدل‌ها به ترتیب برای ماه مارس، 89/0، 14/0 و 15/1 میلی‌متر، برای ماه می 85/0، 14/0 و 16/1 میلی متر و برای ماه دسامبر 86/0 ، 15/0 میلی متر و 17/1 میلی متر به دست آمده است که نشان از برآورد و شبیه سازی مناسب مدل‌ها دارد.