عدم قطعیت شبکه عصبی مصنوعی در تخمین تبخیر روزانه (مطالعه موردی: ایستگاه های رشت و منجیل)

در این تحقیق کاربرد شبکه عصبی پرسپترون چندلایه (MLP) برای پیش بینی تبخیر روزانه در دو ایستگاه سینوپتیک رشت و منجیل واقع در استان گیلان در شمال ایران بررسی گردیده است. ابتدا با استفاده از آزمون گاما مهم ترین ترکیب از پارامترهای هواشناسی برای هر دو ایستگاه شناسایی و مدل سازی براساس ترکیب بهینه صورت گرفت. نتایج مدل شبکه عصبی مصنوعی- آزمون گاما (ANN-GT) با استفاده از معیارهای ارزیابی مدل همچون مجذور میانگین مربعات خطا (RMSE) ضریب همبستگی (CC) و ضریب ناش-ساتکلیف (NS) ارزیابی شده است. نتایج نشان داد که مدل (ANN-GT) برای ایستگاه رشت با ضریب همبستگی 0/86، مجذور میانگین مربعات خطا 95/0، ضریب ناش-ساتکلیف 0/74 و ایستگاه منجیل با ضریب همبستگی 0/94، مجذور میانگین مربعات خطا 1/58، ضریب ناش-ساتکلیف 89/0، دارای عملکرد قابل قبولی در پیش بینی تبخیر روزانه می باشد. برای بررسی عدم قطعیت، درصدی از داده های مشاهده شده که در محدوده باند پیش بینی عدم قطعیت 95 درصد (95PPU) قرارگرفته اند (P-factor) و عرض متوسط باند (d-factor) برای مدل، مدنظر قرار داده شد. بنابر نتایج عدم قطعیت، عرض متوسط باند عدم قطعیت (d-factor) برای ایستگاه رشت (0/30) و برای منجیل (0/33) برآورد شد. این امر حاکی از عدم قطعیت پایین مدل شبکه عصبی مصنوعی-آزمون گاما (ANN-GT) در پیش بینی تبخیر روزانه برای هر دو ایستگاه می باشد. همچنین درصد داده های مشاهداتی در باند (95PPU) برای رشت 25 و برای منجیل 45 درصد به دست آمد. دلیل پایین بودن این مقادیر رامی توان، وجود عدم قطعیت های کوچک در پارامترها ذکر کرد.