پيش آگاهي بلندمدت بارش با استفاده از سيستم شبكه ي عصبي مطالعه ي موردي: حوضه ي كارون بزرگ

Rainfall warning Based on indexs teleconnection, Synoptic Patterns of Atmospheric Upper Levels and Climatic elements a case study of Karoun basin

پيش بيني بارش در مديريت و هشدار سيل نقش مهمي بر عهده دارد و با اطلاع از ميزان بارندگي مي توان امكان وقوع سيل را در يك منطقه پيش بيني و اقدامات لازم را به عمل آورد. به دليل اينكه بارشهاي سه ماه ژانويه، فوريه و مارس در اكثر مواقع سيل آسا مي باشند و همچنين بيشتر بارشها در اين سه ماه رخ مي دهند، لذا در اين پژوهش به بررسي عوامل موثر بر بارش و مدل سازي اين سه ماه پرداخته شد. براي مدل سازي بارش از داده هاي بارش ماهانه ي ايستگاه همديد و بارانسنجي در بازه ي آماري (2014-1984) به مدت 30 سال بعنوان متغير وابسته و شاخصهاي اقليمي، سيگنالهاي بزرگ مقياس اقليمي شامل؛ دماي سطح دريا و دماي 1000 ميلي باري، هم ارتفاع تراز 500 ميلي باري ، امگاي 200 ميلي باري و عناصر اقليمي بعنوان متغير مستقل استفاده شده است. به دليل رفتار غيرخطي بارش از شبكه هاي عصبي مصنوعي جهت مدل سازي بهره گرفته شد. جهت مشخص شدن بهترين معماري براي ورود به شبكه ي عصبي از تحليل عاملي استفاده شد. براي پيش بيني بارش از داده هايي كه بيشترين ارتباط را با بارش نشان دادند بصورت چهار الگو استفاده گرديد كه در ماه ژانويه الگوي چهارم با خطاي آنتروپي 0/045، تعداد لايه هاي ورودي 91 واحد ، بهترين آرايش 15-1 و ضريب همبستگي 94 درصد بود. در ماه فوريه، الگوي سوم با ضريب همبستگي 97 درصد، خطاي آنتروپي 036/. درصد ، تعداد واحدهاي ورودي 8 واحد و بهترين نوع آرايش لايه ي پنهان 10-1 بود. بارش ماه مارس با تمام الگوها ضريب پيش آگاهي بالا بود كه الگوي اول با خطاي آنتروپي 038/.، تعداد واحدهاي ورودي 67، نوع آرايش لايه ي پنهان، 17-1، ضريب همبستگي 98 درصد بود.

Rainfall prediction plays an important role in flood management and flood alert. With rainfall information, it is possible to predict the occurrence of floods in a given area and take the necessary measures. Due to the fact that the three months of January, February and March are most floods and most precipitation is occurring this quarter, this study aimed to investigate the factors affecting precipitation and modeling of this quarter. For precipitation modeling, the monthly rainfall data of the Hamadid and Baranzadeh station in the statistical period (1984-2014) for 30 years as a dependent variable and climatic indexes, large-scale climatic signals including sea surface temperatures and 1000 millimeter temperatures Altitude of 500 milligrams, 200 milligrams of omega and climatic elements have been used as independent variables. Due to the nonlinear behavior of rainfall, artificial neural networks were used for modeling. Factor analysis was used to determine the best architecture for entering the neural network. For prediction of precipitation, the data that showed the most relationship with precipitation was used in four patterns, in January the fourth pattern with entropy error was 045/0, the number of input layers was 91, the best makeup was 15-1, and the correlation coefficient was 94% Was. In February, the third pattern with a correlation coefficient of 97%, entropy error, was 0.36. Percentage, number of input units was 8 units, and the best type of latency layout was 10-1. The precipitation of March with all patterns was high predictive coefficient. The first pattern with entropy error was 0.038, the number of input units was 67, the hidden layer arrangement was 17-1, the correlation coefficient was 98%.