برآورد متوسط بارش سالانه استان خراسان رضوی با استفاده از مختصات مکانی

پیش بینی بارش سالانه اهمیت فراوانی برای مدیریت منابع آب و طرح الگوی کشت دارد. به منظور برآورد بارش در محل های فاقد اندازه گیری می توان از روش تخمین کلاسیک، روش های زمین آماری، روش رگرسیون خطی چندمتغیره، شبکه های عصبی مصنوعی و روش ترکیبی شبکه عصبی مصنوعی – کریجینگ استفاده کرد. در این تحقیق متغیرهای ورودی غیراقلیمی از قبیل مختصات جغرافیایی و ارتفاع و میانگین بارش سالانه 47 ایستگاه (مطابق با 25 سال دوره آماری از 1365 تا 1390) در استان خراسان رضوی استفاده شد. بالاترین همبستگی بین متوسط بارش سالانه (به عنوان متغیر وابسته) و سه متغیر ارتفاع و مختصات جغرافیایی ایستگاه ها (به عنوان متغیرهای مستقل) بود. نتایج نشان داد که به کارگیری ارتفاع تاثیری در نتایج پیش بینی حاصل از روشIDW ندارد. مقدار دامنه تاثیردر روش های SK و OK برابر 2/30 کیلومتر بود در صورتی که در روش کوکریجینگ معمولی (OCK) به 40 کیلومتر افزایش یافت که وابستگی بالاتر بارش به ارتفاع را در مفهوم مکانی تایید می کند. پارامترهای سقف، اثر قطعه ای، دامنه تاثیر و اثر قطعه ای نسبی مربوط به مدل نیم تغییرنما برای سال های مختلف کاملا متفاوت بودند که الگوی فضایی و زمانی بارش در سطح مورد مطالعه را نشان می دهد. بهترین نتایج مربوط به RK و SKV بودند. ساختار شبکه عصبی مورد استفاده در این مطالعه از نوع پرسپترون چند لایه با توابع انتقال تانژانت سیگمویید و خطی بود. پس از طراحی و آزمون شبکه های عصبی با ورودی های مختلف، شبکه عصبی بهینه با سه ورودی طول جغرافیایی، عرض جغرافیایی و ارتفاع در هر ایستگاه و با ساختار 1-6-3 و با تکنیک یادگیری مارکوات- لونبرگ انتخاب گردید. بالاترین ضریب همبستگی و کم ترین میزان خطا مربوط به روش شبکه عصبی مصنوعی بود. بنابراین آن به عنوان بهترین روش در این مطالعه انتخاب شد.