خلاصة:
پیشبینی بارش و برآورد نزولات جوی، به عنوان یکی از مهمترین پارامترهای اقلیمی در حوزه مدیریت منابع آبی، از اهمیت ویژهای برخوردار است. بنابراین در این مقاله، امکان کاربرد شبکه عصبی در برآورد بارش با حداقل پارامترهای اقلیمی مورد بررسی قرار گرفت. به این منظور از شبکه عصبی پرسپترون چند لایه با قانون پس انتشار خطا و الگوریتم سیگموئید همراه با دادههای میانگین رطوبت نسبی (meanHR)، کمینه رطوبت نسبی (minHR)، بیشینه رطوبت نسبی (maxHR)، میانگین دما (meanT)، کمینه دما (minT)، بیشینه دما (maxT)، میانگین فشار (meanP)، کمینه فشار (minP) و بیشینه فشار (maxP) ماه اکتبر ایستگاه هواشناسی سینوپتیک کرمان، طی دوره آماری 2014-1969 به عنوان ورودی مدل استفاده گردید. نتایج نشان داد در صورت کمبود پارامترهای اقلیمی، تنها با اندازهگیری minT و meanT میتوان با خطایی معادل 8/9 میلیمتر، برآورد مناسبی از بارش با استفاده از شبکههای عصبی مصنوعی در منطقه مورد مطالعه به دست آورد.
ملخص الجهاز:
به اين منظور از شبکه عصبي پرسپترون چند لايه با قانون پس انتشار خطا و الگوريتم سيگموئيد همراه با داده هاي ميانگين رطوبت نسبي (HRmean)، کمينه رطوبت نسبي (HRmin)، بيشينه رطوبت نسبي (HRmax)، ميانگين دما (Tmean)، کمينه دما (Tmin)، بيشينه دما (Tmax)، ميانگين فشار (Pmean)، کمينه فشار (Pmin) و بيشينه فشار (Pmax) ماه اکتبر ايستگاه هواشناسي سينوپتيک کرمان ، طي دوره آماري ٢٠١٤-١٩٦٩ به عنوان ورودي مدل استفاده گرديد.
نتايج پژوهش (وانگ ١ و همکاران ، ٢٠٠٨: ٧٠٩) نشان داد که مدل توسعه يافتۀ شبکه هاي عصبي مصنوعي براي پيش بيني زمان واقعي بارش در بانکوک تايلند مناسب است .
(به تصویر صفحه مراجعه شود) داده هاي مورد استفاده در اين پژوهش شامل ميانگين رطوبت نسبي (RHmean)، کمينه رطوبت نسبي (RHmin)، بيشينه رطوبت نسبي (RHmax)، ميانگين دما (Tmean)، کمينه دما (Tmin)، بيشينه دما (Tmax)، ميانگين فشار (Pmean)، کمينه فشار (Pmin) و بيشينه فشار (Pmax) مربوط به ماه اکتبر (به دليل همبستگي بالا در مقطع زماني مورد نظر جهت پيش بيني بارش فصل زمستان ) است که از اداره کل هواشناسي استان کرمان در دوره آماري ٢٠١٤-١٩٦٩ ميلادي به دست آمده است .
از آنجا که هدف اين پژوهش پيش بيني بارش با استفاده از شبکه هاي عصبي مصنوعي در شرايط کمبود داده هاي اقليمي است ، بنابراين در طراحي مدل ها، تعداد پارامترهاي ورودي به تدريج کاهش يافت و ٥ ترکيب بردار ورودي به شرح جدول ١ در نظر گرفته شد.
با مقايسه نتايج جدول ٣ و ٤ ميتوان به اين نتيجه رسيد که مدل شبکه هاي عصبي مصنوعي با خطاي کمتر و ضريب تعيين بالاتر نسبت به مدل رگرسيون خطي چندگانه از دقت بالاتري در پيش بيني و تشخيص رابطه بين پارامترهاي اقليمي برخوردار است .