پيش‌بيني مقادير حداكثر بارش روزانه با استفاده از سيستم‌هاي هوشمند و مقايسه آن با مدل درختي M5؛ مطالعه موردي ايستگاه‌هاي اهر و جلفا

Monthly rainfall prediction using Artificial Neural Networks and M5 model tree (Case study: Stations of Ahar and Jolfa)

بارش يكي از مهمترين اجزا چرخه آب بوده و در سنجش خصوصيات اقليمي هر منطقه اي نقش بسيار مهمي ايفا مي‌كند. پيش‌بيني مقادير بارش حداكثر روزانه در ماه براي اهداف مختلفي نظير برآورد سيلاب، رواناب، رسوب، برنامه‌ريزي آبياري و مديريت حوضه‌هاي آبريز داراي اهميت زيادي است. پيش‌بيني بارش در هر منطقه‌اي نيازمند وجود داده‌هاي دقيق اندازه‌گيري شده از قبيل رطوبت، دما، فشار، سرعت باد و غيره مي‌باشد. محدوديت‌هايي از قبيل نبود اطلاعات كافي در مورد مقدار بارش در مقياس‌هاي زماني و مكاني و همچنين پيچيدگي روابط بين پارامترهاي هواشناسي مرتبط با بارش، محاسبه اين پارامتر با استفاده از روش‌هاي معمول را غيردقيق و غيرقابل اعتماد مي‌كند. در اين تحقيق پارامترهاي هواشناسي ايستگاه‌هاي اهر و جلفا در استان آذربايجان شرقي، به عنوان ورودي مدل‌هاي هوشمند شبكه‌هاي عصبي مصنوعي، برنامه‌ريزي ژنتيك و مدل درختي M5 تعريف گرديد و براي نتايج بدست آمده از اين سه مدل دو آماره R و RMSE محاسبه گرديد. در دو ايستگاه اهر و جلفا روش برنامه‌ريزي ژنتيك به ترتيب با (R=0.88) و (RMSE=3.32) و (R=0.87) و (RMSE=3.79) بهترين نتيجه را نشان دادند. در حالت كلي مي‌توان گفت كه هر سه روش مذكور ضمن رقابت با يكديگر نتايج نسبتا دقيقي را جهت پيش‌بيني حداكثر بارش روزانه در ماه مورد نظر در منطقه ارايه مي‌كنند ولي به دليل ارايه روابط خطي ساده و قابل فهم توسط مدل درختي M5، اين روش مي‌تواند به عنوان روشي كاربردي و جايگزين براي محاسبه حداكثر بارش روزانه در ماه مورد توجه قرار گيرد.

Rainfall has been one of the most important agents in water cycle which has an effective rule in each region characters measurement. Prediction of month scale rainfall is important for main goals as torrent estimating, drought, run-off, sediment, irrigation programming and also manage the drainage basins. Rainfall measure prediction in each area mediated by punctual data measured of humidity, temperature, barograph manometers, wind speed and etc. the limitations such as unavailable enough data about rainfall measure on a scale of time and location and also complicated boundaries among meteorology agents related to rainfall ,caused to inexact and non trustable amount based on unusual manners. In this research ,firstly the description of different concepts of meteorology parameters on month scale in Ahar and Jolfa regions, EAST AZARBAIJAN, have been explained in which the entrance Artificial Neural Networks, Genetic Programming and M5 tree model have been defined too. Then, the best concept has been chosen for each model according to both R and RMSE statistics. In Ahar station Genetic Programming approach with (R=0.88) and (RMSE=3.32), also in Jolfa station Genetic Programming approach with (R=0.87) and (RMSE=3.79) presented the best results. The conclusion determined that each mentioned approaches presents the comparatively exact result for rainfall prediction in region but due to having simple liner models and understandable with M5 tree model, this approach would be considerate as an efficient application and substitutes for rainfall measurement.