برآورد بارش به كمك شبكه عصبي مصنوعي با داده هاي هواشناسي غيربارشي در سه منطقه شيراز، مشهد و كرمان

Rainfall Estimation with Artificial Neural Network Based on Non-Rainfall Weather Data in Shiraz, Mashhad and Kerman Regions

عنصر بارش ماهيت آشوبناكي و تصادفي داشته و از اين نظر داراي تغييرات ساختاري در زمان هاي مختلف است. در اين راستا به دليل عدم قطعيت هايي كه وجود دارد، نوسان هاي زيادي در مقدار بارش ايجاد مي شود كه پيش بيني اين كميت مهم را با مشكل مواجه نموده است. در اين مقاله با تكنيك مقياس بندي مجدد (R/S) و محاسبه نماي هرست (H) پيش بيني پذيري بارش در سه منطقه شيراز، كرمان و مشهد انجام شد. نماي هرست نشان داد كه پارامتر بارش قابليت پيش-بيني پذيري را دارد، زيرا H از 5/0 بزرگ تر بوده و بمراتب به مقدار 1 نزديك تر است. به طوري كه نماي هرست از حداقل 8/0 در ايستگاه مشهد تا حداكثر 92/0 در ايستگاه شيراز در نوسان بود. به منظور پيش بيني بارش از شبكه هاي عصبي مصنوعي استفاده شد. نوع پارامترهاي ورودي براساس آزمون همبستگي پيرسون از بين داده هاي غيربارشي، تركيبي از داده هاي دمايي و رطوبتي بودند. تعداد پارامترهاي ورودي، تعداد لايه هاي مياني و ساير اطلاعات مربوط به شبكه عصبي مصنوعي به صورت تصادفي انتخاب و پيشنهاد شدند. در مجموع از شبكه هاي عصبي پرسپترون چند لايه براي برآورد بارش استفاده شد. مقايسه عملكرد شبكه هاي عصبي، نشان داد كه استفاده از 3 و 4 پارامتر هواشناسي، بهترين رتبه برآوردگري را داشته اند. آرايش هاي پيشنهادي براي ايستگاه شيراز، 1-21-21-3، كرمان 1-25-25-3 و مشهد 1-19-19-4 داراي ضريب همبستگي بيش از 91 درصد شد. اعتبارسـنجي مدل هاي بارش نشان داد كه شـبكه هاي طراحي شـده براي پارامتر بارش در ايستگاه هاي مشهد، شيراز و كرمان به ترتيب با خطاي 4، 11 و 14 درصد، داراي بهترين عملكرد بوده اند. در مجموع نتايج نشان مي دهند كه استفاده از روش شبكه عصبي با درنظر گرفتن اطلاعات دمايي و رطوبتي، نتايج مناسبي براي توصيف فرآيند و تركيب آن ها در پيش بيني، به دست مي دهند