مقايسه عملكرد الگوريتم هاي مختلف شبكه عصبي مصنوعي در مدل سازي بارندگي فصلي مطالعه موردي؛ ايستگاه هاي منتخب استان خوزستان

Comparison of the performace of different Neural Networks Algorithm Functions in Simulation of Seasonal precipitation case study: Selected stations of khuzestan province

بارندگي يكي از اجزاي اصلي چرخه ي هيدرولوژي است. اين فرآيند پيچيده به عوامل متعدد اقليمي وابسته است. شبكه هاي عصبي مصنوعي در چند دهه اخير و در مطالعات صورت گرفته براي مدل سازي سيستم هاي پيچيده و غير خطي قابليت بسيار بالايي از خود نشان داده است. تحقيق حاضر در سه ايستگاه منتخب از استان خوزستان صورت گرفته است. براي اين منظور از داده هاي بارندگي ماهانه سه ايستگاه هواشناسي استان به مدت 48سال، (1340-1387)، استفاده شده است. سپس با استفاده از اين مقادير به عنوان خروجي هاي هدف، شبكه هاي مختلفي با ساختار هاي متفاوت تعريف و آموزش داده شد. در نهايت قابليت شبكه براي تخمين بارش با استفاده از قسمتي از داده ها كه در آموزش شبكه وارد نشدند، مورد بررسي قرار گرفت. در اين تحقيق شبكه هاي MLP و RBF با تغييراتي در تعداد لايه هاي مياني، تعداد نرون ها و الگوريتم هاي آموزش MOMو LM وCG به منظور پيش بيني بارش فصلي به كار گرفته شد. نتايج نشان داد كه براي ايستگاه اهواز شبكه RBF با توپولوژي 1-4-6 و يادگيريLM داراي بيشترين مقدار ضريب همبستگي برابر 96/0 و كمترين MSE برابر 044/0 است. براي ايستگاه آبادان شبكه RBF با توپولوژي 1-7-6-6 و يادگيريLM داراي بيشترين مقدار ضريب همبستگي برابر 92/0 و كمترين MSE برابر 062/0 است. براي ايستگاه دزفول شبكه MLP با توپولوژي 1-4-3-6 و يادگيريLM داراي بيشترين مقدار ضريب همبستگي برابر 94/0 و كمترين MSE برابر 034/0 است.

The precipitation is one of the main components of hydrology cycle. This complex phenomenon relates to several climatological factors. Over the last decades, Artificial Neural Networks (ANNs) have shown a considerable ability for modeling complex and nonlinear systems. The monthly rainfall data of three meteorological stations in Khuzestan province for 48 years, from 1961 to 2008 were used. Then, using these values as target outputs, various networks with different structures were defined and train. At last, the capability of the network for estimating precipitation was studied using a part of data which were not used for training the network. In present work, RBF and MLP networks with some changes in number of neurons and number of middle layers and MOM, LM, CG training algorithms were used to predict the seasonal rainfall. The results showed that for Ahvaz station, RBF network with 6-4-1 topology and LM learning have the highest correlation coefficient value, 0.96 and MSE had the lowest one, 0.044. For Abadan station, RBF network with 6-6-7-1 topology and LM learning had the highest value, both with 0.92 and MSE had the lowest one, 0.062. For Dezful station, MLP network with 6-3-4-1 topology and LM learning, both with 0.94, had the highest and MSE had the lowest value, 0.034.