پيش بيني بارش باران با استفاده از شبكه عصبي (منطقه مطالعاتي: استان خراسان شمالي شهرستان بجنورد)

(Rainfall Forecasting Using Neural Network (Case Study: North Khorasan -Bojnord

پيش بيني بارش براي اهداف مختلفي نظير برآورد سيلاب، خشكسالي، كشاورزي و ... داراي اهميت زيادي مي باشد. با توجه به بحران آبي موجود و صرف بيش از 94 درصد از آب كشور در بخش كشاورزي بهتر است علاوه بر مكانيزه نمودن سيستم هاي آبياري در برآورد نياز آبي واقعي گياه تجديد نظر شود. اين امر با پيش بيني نزولات جوي در فصول رشد امكان پذير است. بارش يكي از مهم ترين پارامترهاي موثر در مديريت منابع آب و مديريت محصولات ديمي مثل گندم مي باشد. با توجه به رابطه هاي غير خطي پيچيده در معادلات حاكم بر جو. مدل سازي بارش دشوار مي باشد. در اين بين روش هاي مختلفي براي پيش بيني اين پديده صورت گرفته است. لذا در اين تحقيق با استفاده از روش هاي مستقل از مدل هاي ديناميكي مانند روش شبكه عصبي مصنوعي به بررسي و پيش - بيني بارش پرداخته شده است. پيش بيني بارش براي برنامه ريزي و مديريت بحران آب داراي اهميت بسيار زيادي مي باشد. در اين مقاله از شبكه هاي عصبي مصنوعي به عنوان يك روش كارامد جهت پيش بيني بارندگي استفاده شده است و نتايج حاصله نشان دهنده كارايي و دقت مدل هاي ارائه شده مي باشد.

Rainfall forecasting is important for various purposes such as flood routing, drought, agriculture and etc. According to the current water crisis and this fact that more than 94 percent of country water is consumed in agriculture section, it is better that estimating the actual water demand is revised and also mechanization of irrigation systems should be done. This is possible by precipitation forecasting. Rainfall is one of the most paramount factors in water resource management and also in dry land faming crop management such as wheat, it has important role. Because of the intricate governing atmosphere equation, rainfall modeling becomes hard. Different ways are presented for anticipating this event so in this study, rainfall forecasting is done by intendant methods of dynamics methods such as neural network. Rainfall forecasting has significant importance in planning and water crisis management. In this study, artificial neural network was used as a capable method for rainfall anticipating and results showed that presented models had high efficiency and accuracy.