پيش‌بيني بارش روزانه با استفاده از شبكه‌هاي عصبي مصنوعي مطالعه موردي: ايستگاه سينوپتيك مشهد

Daily precipitation forecasting using artificial neural networks: A case study : Synoptic station of Mashhad

پيش‌بيني بارش، به عنوان يكي از مهم‌ترين متغيرهاي اقليمي در حوزه مديريت منابع آب از اهميت ويژه‌اي برخوردار است. از طرفي، وجود رابطه‌‌هاي غيرخطي پيچيده در معادلات حاكم، مدل سازي بارش را امري مشكل نموده است از اينرو امروزه محققين با ابداع روش‌هاي مستقل از مدل‌هاي ديناميكي سيستم، در جستجوي راه‌هايي به منظور شناخت و پيش بيني بهتر متغيرهاي مهم هواشناسي از جمله بارش مي باشند. يكي از اين روش‌ها، شبكه‌هاي عصبي مصنوعي است كه از مولفه‌هاي هوش مصنوعي محسوب مي‌شود. در اين تحقيق، پيش‌بيني بارش روزانه به كمك شبكه‌هاي عصبي مصنوعي صورت گرفته است. براي اين منظور از اطلاعات بارش روزانه 23 سال آماري (1383-1361) ماه مارس به عنوان ماه مرطوب و ماه هاي مي و دسامبر به عنوان دو ماه متوسط از نظر رطوبتي، در ايستگاه سينوپتيك مشهد استفاده شده است. از مجموع 713 داده بارش، 580 داده براي آموزش و آزمون حين آموزش و بقيه داده‌ها براي صحت سنجي مدل‌ها استفاده شد. شبكه عصبي مورد استفاده، شيوه اي جديد از شبكه پرسپترون پيشخور سه لايه با پس انتشارخطا مي‌باشد كه از الگوريتم كاهش گراديان به منظور آموزش آن استفاده شده است. در اين رابطه، پس از بررسي و آزمون و خطاي بسيار، دو توپولوژي 521 GSو 651 GS براي ماه مارس، 541 GSو 681 GSبراي ماه مي و 571 GSو631 GSبراي ماه دسامبر، بر اساس مناسب ترين پارامتر‌ها براي شبكه‌هاي عصبي انتخاب شد. بدين منظور، از امكانات و توابع موجود در محيط برنامه‌نويسي نرم‌افزار MATLAB، بهره گرفته شد. ضريب همبستگي(R)، ميانگين مجذور مربعات خطا (RMSE) و ميانگين خطاي مطلق(MAE)، در بهترين مدل‌ها به ترتيب براي ماه مارس، 89/0، 14/0 و 15/1 ميلي‌متر، براي ماه مي 85/0، 14/0 و 16/1 ميلي متر و براي ماه دسامبر 86/0 ، 15/0 ميلي متر و 17/1 ميلي متر به دست آمده است كه نشان از برآورد و شبيه سازي مناسب مدل‌ها دارد.

Rainfall forecasting as one of the most important climatological parameter has a special importance in water resources management. In other hand, there are some complex nonlinear phrases in the equations which are make precipitation modeling too hard. Therefore nowadays scientists are looking for new approaches to improve the knowledge and predict meteorology parameters, especially precipitation. One of these methods is Artificial Neural Networks (ANN) which is categorized in computational intelligence group. In this study was focused on developing a non-numeric precipitation prediction model using ANN. Using daily precipitation data of Mashhad synoptic station, for 23 years (1982-2004) of March as a month with high humidity and May and December as months with medium humidity. From 713 daily data points, 580 were randomly selected as training and testing data sets. The reminder, were taken to check the validity of the models after training. The new approach ANN type used in this study was a feed forward-back propagation-perceptron, using a gradient decent learning algorithm. Out of many models tried, two topologies with best fit parameters were selected for March, named as GS521 and GS651, GS521 and GS681 for May and GS571 and GS631 for December and MATLAB (7.01) environment was employed to accomplish this study. After applying fitness statically factors, it was founded in the best models R, RMSE and MAE were founded equal 0.89, 0.14(mm) and 1.15(mm) for March, 0.85, 0.14(mm) and 1.16(mm) for May and 0.86, 0.15(mm) and 1.17(mm) for December, respectively.