پيش بيني بارش ماهانه در منطقه ايران با استفاده از تركيب شبكه هاي عصبي مصنوعي و فيلتر كالمن توسعه يافته

بارش باران يكي از مهم‌‌ترين پديده‌هاي جوّي است كه بر زندگي بشر اثر مي‌گذارد. پيش‌بيني بارش باران براي اهداف مختلفي مانند برنامه‌ريزي فعاليت‌هاي كشاورزي، پيش‌بيني سيلاب، پايش خشكسالي و تأمين آب مصرفي از اهميت بالايي برخوردار است. هدف اين مقاله پيش‌بيني بارش ماهانه در ايران با استفاده از روش جديد تركيب شبكه‌هاي عصبي مصنوعي و فيلتر كالمن توسعه‌يافته مي‌باشد، كه براي اين هدف از داده‌هاي ميانگين بارش ماهانه حدود 180 ايستگاه سينوپتيك ايران كه در سراسر كشور پراكنده هستند، طي سال‌هاي 1951 تا 2016استفاده شده و به پيش‌بيني بارش ماهانه براي سال 2017 با استفاده از روش مقاله پرداخته شده است. در اين مطالعه ايران شامل 8 پهنه اقليمي است كه به روش كوپنگايگر تقسيم‌بندي شده است. از شبكه عصبي مصنوعي چندلايه با دو لايه مخفي كه در هر لايه 10 نورون قرار گرفته است، براي پيش‌بيني در هر يك از پهنه‌هاي اقليمي استفاده شد كه براي آموزش اين شبكه از فيلتر كالمن توسعه ‌يافته استفاده گرديد. اختلاف مقادير بارش ماهانه اندازه‌گيري شده در سال 2017 و مقادير حاصل از پيش‌بيني در تمام ايستگاه‌ها محاسبه گرديد. جذر ميانگين مربعات اين اختلافات (RMSE) در حالت نرمال براي 8 پهنه اقليمي در مراحل آزمون و پيش‌بيني محاسبه گرديد كه براي اقليم بيابان خشك و بسيار گرم نسبت به اقليم‌ بيابان خشك و سرد كمتر است و براي اقليم نيمه‌بياباني خشك و سرد نسبت به اقليم نيمه‌بياباني خشك و بسيار گرم كمتر است و براي اقليم معتدل با تابستان‌هاي خشك و بسيار گرم نسبت به اقليم معتدل پرباران با تابستان‌هاي گرم كمتر است و براي اقليم برفي با تابستان‌هاي خشك و بسيار گرم نسبت به اقليم برفي با تابستان‌هاي خشك و گرم كمتر مي‌باشد. در بيشتر موارد RMSE بدست آمده در اقليم‌هاي بسيار گرم داراي مقدار كمتري است كه نشان دهنده كارايي بهتر روش مقاله در پيش‌بيني بارش در اين نوع اقليم مي‌باشد.