کاربرد شبکه عصبی مصنوعی در شبیه سازی عناصر اقلیمی و پیش بینی سیکل خشکسالی مطالعه موردی: استان اصفهان

در این پژوهش، از شبکه های عصبی مصنوعی (Artificial Neural Networks) به عنوان ابزاری توانمند در مدل سازی فرآیندهای غیرخطی و نامعین، به منظور پیش بینی سیکل خشکسالی در20 ایستگاه سینوپتیک، کلیماتولوژی و هیدرومتری استان اصفهان که حداقل20 سال آمار روزانه داشتند، استفاده شد. از نرم افزار MATLAB-7 و در شاخه Neural Network، برای پیش بینی وتجزیه و تحلیل عناصراقلیمی کمک گرفته شد. ورودی مدل های ANN، داده های میانگین ماهانه بارش، دبی حداقل و دمای بیشینه است که این داده ها، بازه زمانی سال های1360 تا1383 را در بر می گیرند. اطلاعات20 ساله برای آموزش مدل ها و 4 سال باقی مانده برای آزمایش آن ها به کاررفته است. شبکه مورد استفاده از نوع پرسپترون چندلایه (Multi - layer P erceptron) با الگوریتم پس انتشارخطا (Back Propagation) و تکنیک یادگیری مارکوارت- لونبرگ (Train LM: Levenberg-Marquardt) است. ساختارهای گوناگونی از شبکه عصبی با تغییر در لایه های ورودی (6 مدل)، تعداد گره ها در لایه های پنهان و خروجی (2 الی20 گره) ایجاد گردید. نتایج حاصل از تحقیق حاضر، نشان می دهد که در میان الگوهای مورد بررسی، دمای بیشینه، دبی و بارش، نقش مثبتی در پیش بینی خشکسالی های استان اصفهان داشته، با کاربرد شبکه عصبی مصنوعی می توان با دقت بالای 95 درصد، سیکل خشکسالی استان را پیش بینی نمود.