كاربرد شبكه عصبي مصنوعي در برآورد بارندگي با داده هاي بارشي و غيربارشي (مطالعه موردي: منطقه رشت)

پيش بيني بارش به عنوان مهمترين پارامترهاي هواشناسي و هيدرولوژي نقش بسزايي در مديريت منابع آب هر منطقه ايفا مي كند. در اين مطالعه، با مد نظر قرار دادن داده هاي هواشناسي طي دوره آماري 54 ساله (1956 تا 2010) شهرستان رشت، كاربرد ساختارهاي مختلف شبكه عصبي مصنوعي در تخمين بارش با استفاده از داده هاي هواشناسي بارشي و غيربارشي مورد بررسي قرار گرفت. نتايج آزمون همبستگي پيرسون نشان داد كه پارامترهاي هواشناسي دماي رو انه، دماي خشك، حداكثر دماي روزانه، دماي نقطه شبنم و ميانگين فشار بخار آب، بيشترين همبستگي را با بارش منطقه مورد مطالعه داشتند. اجراي ساختارهاي مختلف شبكه عصبي مصنوعي نشان داد ساختار 1-6-5 با الگوريتم آموزشي لونبرگ ماركوات و تابع محرك سيگموئيد، كمترين خطا (NRMSE=0/18 و MBE=16/47 و MAE=185/58) را در برآورد بارش داشته است. بكارگيري داده هاي بارندگي گام هاي ماني قبل به عنوان ورودي شبكه عصبي مصنوعي نشان داد ساختار 1-3-3 با قانون آموزشي لونبرگ مار كوات و تابع محرك تانژانت، كمترين NRMSE و MBE و MAE به ترتيب با مقادير 0/14 و 28/57 ميلي متر و 144/75 ميلي متر، نسبت به ساير ساختارها داشتند. در مجموع مي توان اظهار داشت بكارگيري داده هاي هواشناسي بارشي به عنوان ورودي شبكه عصبي مصنوعي نسبت به داده هاي ورودي غير بارشي، دقت بيشتري در برآورد بارش منطقه مورد مطالعه دارد.