تحليل و پيش‌بيني روزهاي خشك با استفاده از مدل شبكه عصبي مصنوعي (مطالعه موردي: ايستگاه تهران)

(Analysis and Forecasting Drought Days Using Artificial Neural Networks Model (Case Study: Station Tehran

شبكه‌هاي عصبي مصنوعي به ­عنوان يكي از تكنيك‌هاي غيرخطي در مطالعات اقليمي و هيدرولوژي اهميت فراواني به ­خود اختصاص داده­اند. تغيير اقليم و به ­دنبال آن گرمايش جهاني از پديده‌هاي اقليمي به شمار مي‌رود. شمار روزهاي خشك و تداوم آن خشكسالي را به ­دنبال دارد. در اين پژوهش از داده‌هاي بارش روزانه طي سال‌هاي (1976-2008) و شبكه عصبي مصنوعي در نرم‌افزار MATLAB به­ منظور پيش‌بيني شمار روزهاي خشك ايستگاه تهران استفاده شده است. شبكه به ­كار رفته از نوع Feed-forward با الگوريتم كاهش شيب و ماركوارت لونبرگ در مرحله آموزش و يادگيري مي‌باشد. ساختارهاي گوناگوني در لايه ورودي و پنهان در مرحله آموزش مورد آزمايش قرار گرفت. در نهايت شبكه با 4 ورودي و 5 نرون در لايه پنهان و 1 نرون در لايه خروجي به مطلوب‌ترين ساختار (1-5-4) جهت پيش‌بيني بهينه با بيش‌ترين همبستگي پاسخ داد. نتايج نشان داد كه در ايستگاه مذكور، روزهاي خشك پيش‌بيني شده توسط شبكه در مقايسه با طول دوره آماري مورد بررسي داراي روند افزايشي بوده است كه با محاسبه احتمال وقوع روزهاي خشك، طي سال‌هاي (2018-2009) با استفاده از زنجيره ماركوف، موارد فوق تأييد گرديده است. ضريب همبستگي مقادير پيش‌بيني روزهاي خشك بدون تركيب با الگوريتم ژنتيك 86 درصد است. بعد از آموزش شبكه با تركيب الگوريتم ژنتيك با لايه­‌هاي مختلف اين مقدار به 88درصد رسيد كه مي‌توان گفت در صورت تركيب شبكه با الگوريتم مذكور نتايج قابل قبول ارائه مي ­دهد.

Artificial neural networks as a nonlinear techniques in climate and hydrology studies are important to have. Climate change and the global warming of the climate phenomenon known as persistence of drought followed Number of dry days. In this study, the data of daily rainfall during the period (1976-2008) and artificial neural network in MATLAB software is used to predict the number of dry days Tehran station. Feed-forward type of network used by the algorithm reduces the gradient and Levenberg Marquardt is in the process of teaching and learning. Various structures in the input and hidden layers were tested during the training phase. Finally, a network with 4 inputs and 5 neurons in the hidden layer and 1 neuron in the output layer to best structure (4-5-1) with the highest correlation to predict the optimal answer. The results showed that the aforementioned stations, dry days predicted by the network during the period under review increased compared with that by calculating the probability of dry days during the period (2018-2009) using a Markov chain, the above been approved. The correlation coefficient values ​​predicted dry days without a genetic algorithm combined with 86 percent .After teaching network as genetic algorithm combined with 88 percent that able providing algorithm combined to network result passable showing.