پیش بینی بارش های سالانه در ایستگاه های سینوپتیک کرمانشاه و نوژه همدان با استفاده از شبکه عصبی مصنوعی

اهمیت پیش بینی بارش به عنوان مهم ترین عنصر اقلیمی و مبنای تمام برنامه ریزی ها، به ویژه در مناطقی که رژیم های بارش تغییرات معنی دار دارد، بر هیچ کس پوشیده نیست. استفاده از شبکه های عصبی مصنوعی یکی از روش های پیش بینی است که در سال های اخیر توسعه زیادی یافته است. در این پژوهش برای پیش بینی بارش های سال بعد در دو ایستگاه سینوپتیک کرمانشاه و نوژه همدان از داده های برخی از عناصر اقلیمی فصول سرد سال قبل استفاده شد. به این منظور، سری های زمانی هفت عنصر اقلیمی شامل میانگین دما، بارش، رطوبت نسبی، نسبت مخلوط، فشار بخار، دمای نقطه شبنم و فشار سطح دریا به عنوان ورودی به شبکه های عصبی وارد گردید. خروجی شبکه ها، بارش سال بعد در نظر گرفته شد. با توجه به ماهیت غیرخطی عناصر اقلیمی منتخب در این تحقیق، از شبکه های پرسپترون چندلای هاستفاده شد که از انواع شبکه های پیشرو با الگوریتم های آموزشی نظارتی و مناسب داده های غیرخطی است. برای آموزش شبکه ها از دو رده الگوریتم آموزشی دیگر، شامل الگوریتم های آموزشیBP و الگوریتم نرمال سازی اعداد استفاده شد. در نهایت، ترکیب این الگوریتم ها منجر به تولید 720 شبکه آموزشی در دو ایستگاه شد. نتایج تحقیق نشان داد شبکه عصبی مصنوعی در هر دو ایستگاه به طرز مناسبی مقادیر بارش سالانه را پیش بینی می کند. بهترین پیش بینی در ایستگاه کرمانشاه مربوط به تابع آموزشیtraingd با الگوریتم نرمال سازی میانگین و انحراف معیار با خطای آزمایش معادل 0195/0 در دوره سرد سال (پاییز و زمستان)، و در ایستگاه نوژه همدان مربوط به تابع آموزشی traingdx با الگوریتم نرمال سازی 06/0 pca با خطای آزمایش معادل 0047/0 در فصل زمستان است.