پیش بینی بارش ماهانه ایستگاه سینوپتیک کرمانشاه با استفاده از مدل ترکیبی شبکه عصبی و موجک

بارش به عنوان یکی از عناصر مهم هواشناسی، مطرح می باشد که شناخت لازم از میزان این عنصر، تغییرات و پیش بینی آن، از یک سو به جهت داشتن برنامه ریزی دقیق تر در مدیریت بخش های کشاورزی، اقتصادی و اجتماعی ضروری می نماید و به همین دلیل مورد توجه هیدرولوژیست ها و اقلیم شناسان می باشد. با توجه به اهمیت پیش بینی بارش در برنامه ریزی ها و مدیریت بحران هدف این مطالعه اجرای یه مدل ترکیبی شبکه عصبی و تبدیل موجک برای پیش بینی بارش ماهانه در ایستگاه سینوپتیک کرمانشاه است.
در این مطالعه برای پیش بینی سری زمانی بارش ماهانه ایستگاه سینوپتیک کرمانشاه، از داده های پنج پارامتر اقلیمی، میانگین بارش ماهانه، میانگین رطوبت نسبی، میانگین حداکثر دما، میانگین حداقل دما و میانگین سرعت باد در دوره اماری 40 سال (1970-2010) استفاده شد. جهت کنترل کیفیت آمار و اطلاعات موجود از آزمون توالی استفاده شده است. نتایج نشان داد که داده های مزبور از همگنی لازم برخوردار میباشند و سپس با توجه به ویژگی های غیرخطی مقیاس های زمانی چندگانه، برای پیش بینی بارش، از مدل شبکه عصبی و موجک استفاده شد.
برای پیش بینی بارش از چهار پارامتر: میانگین رطوبت نسبی، میانگین حداکثر دما، مینگین حداقل دما و میانگین سرعت باد استفاده و به وسیله تبدیل موجکی به 8 زیرسری زمانی چند فرکانسی تجزیه شد و سپس برای پیش بینی بارش ماهانه آینده، این سری ها به عنوان داده های ورودی به مدل شبکه عصبی مصنوعی وارد شد. ضرایب همبستگی (0/874=R) در پیش بینی 1 ماه بعد نشان دهنده اجرای نسبتا پایین شبکه عصبی در مدلسازی می باشد. در حالی که ضریب همبستگی مدل شبکه عصبی- موجکی 0/94 است. همچنین دقت پیش بینی در هر دو مد با افزایش تعداد تاخیرها در نرون خروجی کاهش می یابد. لازم به ذکر است که در پیشبینی توسط شبکه عصبی موجکی از موجک میر استفاده شد که نتایج شبیه سازی توسط موجک میر از میزان دقت بالایی برخوردار است، با توجه به آماره F تحلیل واریانس شاخص های همگنی و ناهمگنی بارش مشاهدهشده و بارش پیشبینیشده توسط مدل در سطح اطمینان 99% (0/008>P) همگن می باشد.
نتایج به دست آمده از تبدیل موجک- شبکه عصبی با نتایج حاصل از کاربرد شبکه عصبی، مقایسه شده و ملاحظه گردید که روش موجک- شبکه عصبی نسبت به روش شبکه عصبی دقت پیش بینی بالاتری دارد و همچنین دقت پیش بینی در هر دو مدل با افزایش تعداد تاخیرها در نرون خروجی کاهش می یابد. لازم به ذکر است که در پیش بینی توسط شبکه عصبی موجکی از موجک میر استفاده شد که نتایج شبیه سازی توسط موجک میر از میزان دقت بالایی برخوردار است.