كاربرد شبكه هاي عصبي مصنوعي در پيش بيني بارش زمستانه

The application of Artificial Neural Networks in the rainfall prediction

پيش بيني بارش يكي از مهم ترين مسايل در زمينه مديريت بهينه منابع آب در بخش هاي مختلف نظير صنعت، شرب و كشاورزي است. پيش بيني بارش مي تواند باعث جلوگيري از تلفات و خسارات ناشي از بلاياي طبيعي شود. هدف از تحقيق حاضر پيش بيني بارش زمستانه استان خراسان رضوي با استفاده از شبكه هاي عصبي مصنوعي مي باشد. بدين منظور، ابتدا سري زماني بارش متوسط منطقه اي به روش كريجينگ در طول دوره آماري به دست آورده شد. سپس سري زماني سيگنال-هاي اقليمي شامل فشار، گراديان فشار، دما، گراديان افقي دما، گراديان قايم دما بين سطح دريا و سطح 1000 ميلي بار، تابش طول موج بلند خروجي از سطح زمين، آب قابل بارش، مولفه مداري باد، مولفه نصف النهاري باد، دماي هوا در سطح 700 ميلي بار، ضخامت بين سطوح 500 و 1000 ميلي بار و رطوبت نسبي در سطح 300 ميلي بار در بازه هاي زماني مختلف محاسبه شد. در ادامه ارتباط بين پيش بيني كننده هاي اقليمي با بارش متوسط منطقه با استفاده از ضريب همبستگي پيرسون به دست آورده شد. پس از شناسايي سيگنال هاي موثر بر بارش منطقه، مدل شبكه هاي عصبي مصنوعي در دوره 1997-1970 آموزش داده شد و در پايان، پيش بيني بارش در دوره 2007-1998 انجام شد. نتايج نشان داد شبكه هاي عصبي مصنوعي قادر است بارش را با دقت قابل قبولي پيش بيني نمايد. ضريب همبستگي بين بارش مشاهده شده و پيش بيني شده در مرحله تست مدل، 66/0 به دست آمد. ريشه ميانگين مربعات خطا نيز 9/6 ميلي متر به دست آمد.

The aim of this research is the rainfall prediction of Khorasan Razavi province using artificial neural network. At the first step, the time series of average regional rainfall using Kriging method in the desired time period was calculated. In the next step, time series of climatic predictors including Sea Level Pressure (SLP), Sea Surface Temperature (SST), Sea Surface Pressure gradient (?SLP), the difference between sea surface temperature and 1000 hpa level, Sea Surface Temperature gradient (?SST), Air Temperature At 700 hpa, thickness between 500 and 1000 hpa level, Relative Humidity at 300 hpa, outgoing long wave radiation, Precipitable water, meridional wind and zonal wind in the different time steps were obtained. In continue the relation between average regional rainfall and climatic predictors using Pearson’s correlation coefficient were calculated. After identifying of the appropriate predictors, artificial neural network model was calibrated from 1970 to 1997. Finally, model was tested in the period between 1998-2007. The model that used in this research has an input layer, one hidden Layer and an output layer. Results reveal those artificial neural networks are promising and efficient. Root mean square error for this model was obtained 6.9 millimeters