تأثير نوع الگوريتم آموزش شبكه عصبي پرسپترون چندلايه در دقت پيش‌بيني بارش ماهانه ايران، مطالعه موردي: مدل ECMWF

امروزه انواع شبكه هاي عصبي مصنوعي در حوزه‌هاي مختلف علوم جو و اقليم شناسي براي اهدافي نظير طبقه بندي، رگرسيون و پيش بيني استفاده مي‏شوند. اما سوال اساسي در استفاده از شبكه هاي عصبي مصنوعي، نحوه طراحي و معماري آنهاست. يكي از نكات مهم در استفاده از شبكه هاي عصبي مصنوعي كه بايد مد نظر طراحان قرار بگيرد، انتخاب الگوريتم مناسب براي آموزش شبكه است. در اين مقاله، شش روش مختلف آموزش شبكه عصبي پرسپترون چند لايه شامل روش‌هاي منظم‌‌سازي بيزي، لِوِنبرگماركوات و گراديان مزدوج پاولبل، الگوريتم شبه‌نيوتني BFGS، گراديان مزدوج فلچرپاول و گراديان مزدوج مقياس‌شده براي پيش بيني ماهانه بارش كشور مورد بررسي و مقايسه قرار مي‌گيرند. براي اين منظور، يك شبكه عصبي پرسپترون براي پس پردازش خروجي بارش ماهانه مدل ECMWF طراحي مي‏شود كه براي آموزش آن از داده‏هاي ERA5 و روش‌هاي آموزش مختلف استفاده مي‏شود. براي بررسي عملكرد شش روش آموزش مختلف، مقدار سه شاخص ضريب همبستگي، ميانگين مربعات خطا و نيز شاخص نشساتكليف براي هر مدل محاسبه شد. همچنين، عملكرد روش‌هاي مذكور در مناطق جغرافيايي مختلف كشور براي ماه ژانويه، به‌عنوان نمونه، مورد ارزيابي قرار گرفت. نتايج حاصل از مقايسه شاخص‌ها نشان داد كه عملكرد دو روش منظم‌‌سازي بيزي و لِوِنبرگماركوات، در مقايسه با چهار روش ديگر براي آموزش شبكه عصبي بهتر است. همچنين اين دو روش توانستند، در مقايسه با داده‏هاي مدل ECMWF، قبل از پس پردازش، نتايج با دقت بيشتري را به‌دست آورند.