پیش‌بینی بارش‌ های سالانه در ایستگاه‌ های سینوپتیک کرمانشاه و نوژۀ همدان با استفاده از شبکۀ عصبی مصنوعی

اهمّیّت پیش‌بینی بارش به عنوان مهم‌ترین عنصر اقلیمی و مبنای تمام برنامه‌ریزی‌ها، به‌ویژه در مناطقی که رژیم‌های بارش تغییرات معنی‌دار دارد، بر هیچ‌کس پوشیده نیست. استفاده از شبکه‎های عصبی مصنوعی یکی از روش‎های پیش‎بینی است که در سال‎های اخیر توسعۀ زیادی یافته است. در این پژوهش برای پیش‎بینی بارش‎های سال بعد در دو ایستگاه سینوپتیک کرمانشاه و نوژۀ همدان از داده‎های برخی از عناصر اقلیمی فصول سرد سال قبل استفاده شد. به این منظور، سری‎های زمانی هفت عنصر اقلیمی شامل میانگین دما، بارش، رطوبت نسبی، نسبت مخلوط، فشار بخار، دمای نقطۀ شبنم و فشار سطح دریا به عنوان ورودی به شبکه‎های عصبی وارد گردید. خروجی شبکه‎ها، بارش سال بعد در نظر گرفته شد. با توجّه به ماهیت غیرخطّی عناصر اقلیمی منتخب در این تحقیق، از شبکه‎های پرسپترون چندلایهاستفاده شد که از انواع شبکه‎های پیشرو با الگوریتم‎های آموزشی نظارتی و مناسب داده‎های غیرخطّی است. برای آموزش شبکه‎ها از دو ردۀ الگوریتم آموزشی دیگر، شامل الگوریتم‎های آموزشیbp  و الگوریتم نرمال‎سازی اعداد استفاده شد. در نهایت، ترکیب این الگوریتم‎ها منجر به تولید 720 شبکۀ آموزشی در دو ایستگاه شد. نتایج تحقیق نشان داد شبکۀ عصبی مصنوعی در هر دو ایستگاه به طرز مناسبی مقادیر بارش سالانه را پیش‎بینی می‎کند. بهترین پیش‎بینی در ایستگاه کرمانشاه مربوط به تابع آموزشی traingd با الگوریتم نرمال‎سازی میانگین و انحراف معیار با خطای آزمایش معادل 0195/0 در دورۀ سرد سال (پاییز و زمستان)، و در ایستگاه نوژۀ همدان مربوط به تابع آموزشی traingdx با الگوریتم نرمال‌سازی 06/0 pca با خطای آزمایش معادل 0047/0 در فصل زمستان است.

Forecasting of Annual Precipitation in Kermanshah and Nouje Hamedan Synoptic Stations by Using Artificial Neural Network

The importance of precipitation forecasting as the most important climatologic element and the basis of all planning, especially in areas where there are significant changes in precipitation regimes, is considerable. The use of artificial neural networks is one of the forecasting methods that have been widely developed in recent years. In this research the data set of some climatologic elements, related to the cold seasons of previous year, were used to forecast the next year precipitations in Kermanshah and Nouje Hamedan synoptic stations. Therefore, time series of seven climatologic elements including mean temperature, precipitation, relative humidity, mixing ratio, vapor pressure, dew point temperature and sea level pressure were entered to the artificial neural networks as input, while next year precipitation was considered as the output of network. Due to nonlinear nature of selected climatologic elements of this research, the multilayer perceptron (MLP) networks were applied. In fact, they are among the progressive networks with supervising training algorithms and suitable for nonlinear data. Other two categories of training algorithms including BP training algorithms and number normalization algorithm were used for training of networks. Eventually, the combination of these algorithms led to the production of 720 training networks at two stations, and finally the artificial neural network succeeded to proper forecasting of annual precipitation amounts. The best forecast for Kermanshah station is related to the traingd training function with mean and standard deviation normalization algorithm and testerror amount equal to 0.0195 in cold period of the year (overall autumn and winter), and in Nouje station is related to the traingdx training function with pca 0.06 normalization algorithm with testerror amount equal to 0.0047 in the winter.