پيش بيني بارش ماهانه بر اساس سيگنال هاي بزرگ مقياس اقليمي با به كارگيري مدل هاي هوشمند و رگرسيون خطي چندگانه (مطالعه موردي: ايستگاه سينوپتيك سمنان)

Prediction of Monthly Precipitation Based on Large-scale Climate Signals Using Intelligent Models and Multiple Linear Regression (Case Study: Semnan Synoptic Station)

سيگنال هاي بزرگ مقياس اقليمي شامل كنش هاي جوي ـ اقيانوسي، از عوامل اصلي موثر بر نوسانات اقليمي زمين هستند و شاخص هاي بسيار مهمي در پيش بيني متغيرهاي اقليمي محسوب مي شوند. در اين پژوهش، با به كارگيري مدل هاي شبكه عصبي مصنوعي، شبكه فازي ـ عصبي و رگرسيون خطي چندگانه، بارش ماه آتي در ايستگاه سينوپتيك سمنان پيش بيني شد. بدين منظور، از سري زماني ماهانه بارش ايستگاه سينوپتيك سمنان و سيگنال هاي بزرگ مقياس اقليمي طي يك دوره 45 ساله (1966 ـ 2010 ميلادي) استفاده شد. سيگنال هاي موثر بر بارش ماه آتي با استفاده از تحليل رگرسيون خطي گام به گام تعيين شدند و به عنوان متغيرهاي ورودي در مدل هاي استفاده شده، انتخاب شدند. از 540 سري داده ماهانه، 80 درصد ابتدايي براي آموزش و 20 درصد باقي براي آزمون صحت سنجي مدل ها استفاده شدند. عملكرد مدل ها با معيارهاي ارزيابي ضريب همبستگي، ميانگين قدر مطلق خطا و ريشه ميانگين مربعات خطا مقايسه شد. نتايج صحت سنجي نشان داد ضرايب همبستگي به دست آمده (0/829، 0/793 و 0/767) به ترتيب مربوط به مدل هاي شبكه عصبي مصنوعي، شبكه فازي ـ عصبي و رگرسيون خطي چندگانه اند. بر اساس نتايج اين تحقيق، مي توان براي پيش بيني بارش ماه آتي ايستگاه سينوپتيك سمنان، به ترتيب از مدل هاي شبكه عصبي مصنوعي، شبكه فازي ـ عصبي و رگرسيون خطي چندگانه استفاده كرد.

Large-scale climatic signals including ocean-atmosphere interactions، are the main factors influencing the earth’s climatic oscillations and are the most important indices in predicting of climate variables. In this research، precipitation in the next month was predicted by applying artificial neural network (ANN)، neuro-fuzzy network (NFN)، and multiple linear regression (MLR) in Semnan synoptic station. For this purpose، monthly series of precipitation of Semnan synoptic station and signals of large-scale climate signals were used during a period of 45 years (1966–2010). From 540 monthly time series، the first 80% was used for training and the other 20% for testing. Performance of the models was compared by using correlation coefficient (R)، mean absolute error (MAE)، and root mean square error (RMSE) criteria. Results of the validation step showed that the obtained correlation coefficients (0.829، 0.793 and 0.767) are related to ANN، ANFIS and MLR models. Based on the results of this study، the next month’s precipitation of Semnan synoptic station could be predicted by ANN، NFN and MLR models، respectively.