پیش بینی مکانی- زمانی بارش ماهانه با استفاده از شبکه ی باور عمیق (مورد مطالعاتی: منطقه شمال غرب ایران)

در جهان امروز، توسعه ی سریع، همه جانبه و پایدار، هدف اصلی تمامی کشورها از جمله ایران می باشد. اصلی ترین محدودیت پیش روی توسعه ی پایدار، وضعیت اقلیمی و شرایط محیط زیستی کشورها است. از جمله ی مهم ترین محدودیت های اقلیمی در کشور ایران، بارش ناکافی همراه با پراکندگی نامناسب مکانی- زمانی است. هدف اصلی این تحقیق، پیش بینی ماهانه ی میزان بارش در منطقه ی شمال غربی ایران با استفاده از روش های یادگیری ماشین شبکه ی عصبی کم عمق و شبکه ی باور عمیق و همچنین تهیه ی نقشه ی پیش بینی توزیع مکانی- زمانی آن در منطقه ی مطالعاتی می باشد. در این تحقیق از داده های بارش به همراه سایر داده های محیطی و هواشناسی، ازابتدای سال 1951 تا پایان سال 2014 استفاده شده است. ارتفاع و مختصات ایستگاه های هواشناسی نیز به عنوان پارامتر توپوگرافی از مدل رقومی ارتفاعی بدست آمد. همچنین به منظور انجام پژوهشی جامع و افزایش دقت نتایج، از داده های بزرگ مقیاس اقلیمی در کنار سایر داده ها بهره برده شده است. وجود پارامترهای متنوع محیطی، توپوگرافی و اقلیمی اثر گذار بر پدیده ی بارش، سبب شده است که در این تحقیق با کلان داده های مکانی- زمانی مواجه باشیم. در این پژوهش ابتدا داده های مورد نیاز جمع آوری شد و بعد ازآماده سازی در پایگاه داده ی غیر رابطه ای کاساندرا ذخیره سازی گردید. در گام بعدی دو شبکه ی عصبی کم عمق و شبکه ی باور عمیق پیاده سازی شد و آموزش، تست و پیش بینی با هر دو مدل صورت پذیرفت و نقشه ی پیش بینی توزیع مکانی- زمانی بارش هر دو شبکه برای دوازده ماه سال 2014 تهیه گردید. مقایسه ی مقدار بارش ماهانه ی به وقوع پیوسته با میزان بارش ماهانه ی پیش بینی شده توسط شبکه ی عصبی کم عمق و شبکه ی باور عمیق نشان داد که شبکه ی باور عمیق از توانایی بیشتری در مواجه با کلان داده های مکانی- زمانی و حل پیچیدگی های مساله ی پیش بینی بارش برخوردار است. همچنین در این تحقیق از معیارهای Accuracy، Precision، Recall و F1 score جهت ارزیابی عملکرد روش های پیشنهادی استفاده شد. نتایج نشان داد که مقادیر Accuracy برای شبکه ی عصبی کم عمق و شبکه ی باور عمیق به ترتیب برابر 67/0 و 71/0، مقادیر Precision به ترتیب 69/0 و 69/0، مقادیر Recall به ترتیب 7/0 و 8/0 و مقادیر F1 score به ترتیب 69/0 و 74/0 می باشد.