پيش بيني ديد افقي با آموزش شبكه پيشخور توسط الگوريتم يادگيري پس انتشار ارتجاعي

Prediction of horizontal visibility by training feedforward network with resilient backpropagation algorithm

پديده ­هاي هواشناسي حاصل سامانه­ هاي پيچيده­ اي هستند كه بخش ­هاي مختلفي در تماس با هم و محيط اطراف دارند. هدف اين تحقيق نمايش كارايي شبكه‌هاي عصبي در پيش ­بيني متغيرهاي هواشناسي است. براي اين منظور پيش ­بيني ديد افقي كه كاربرد فراوان در هواشناسي و هوانوردي به‌ويژه در فرودگاه­ ها دارد براي بررسي انتخاب شده ­است. داده­ هاي اين بررسي، تلفيقي از گزارش ­هاي متار و سينوپ ايستگاه بندرعباس در بازه 1 تا 30 مارس 2014 است. براي پياده ­سازي شبكه، ابتدا داده‌هاي آموزش، آزمون و اعتبارسنجي شبكه به­ صورت تصادفي با نسبت ­هاي 70، 15 و 15 درصد استخراج و ذخيره شد تا براي مقايسه حالت­ هاي مختلف اجراي شبكه از داده يكسان استفاده شود. تركيب­ هاي مختلف هفت متغير دما، دماي نقطه­ شبنم، هواي ­حاضر، فشار، ميزان پوشش ابر آسمان، سمت و سرعت باد، به‌ عنوان ورودي به شبكه­ پيش­خور داده ­شد كه خروجي آن ديد افقي است. در مجموع همبستگي و جذر ميانگين مربعات خطا براي 28 حالت بررسي شده ­است. نتايج نشان مي­دهند كه تركيب­ هاي حاوي پديده هواي ­حاضر بيشترين همبستگي را با ديد افقي دارند و كميت­ هاي دماي نقطه­ شبنم، فشار و ميزان پوشش ابر به تنهايي تاثيري روي آن ندارند. بعد از پردازش ­هاي اوليه، از شبكه پيش­خور با الگوريتم يادگيري پس ­انتشار ارتجاعي با هشت نرون و تابع سيگموئيد در لايه پنهان، تابع خطي در لايه خروجي براي پيش ­بيني استفاده شد. اين شبكه با دو سري داده­ هاي استاندارد شده بين بازه­ هاي صفر و يك، 0/1 و 0/9، نمو­هاي افزايش و كاهش متفاوت براي باياس­ ها و وزن‌ها، و همچنين نرخ­ هاي يادگيري متفاوت اجرا شده­ است. مقدارهاي مناسب براي اين كميت­ها به ­ترتيب 1/2، 0/35 و 0/0001 هستند و استانداردسازي داده­ ها در حد فاصل بين صفر و يك مناسب نيست. مقادير ضريب كسر مطلق از واريانس براي داده‌هاي آموزش، آزمون و اعتبارسنجي به‌ترتيب 0/9972، 0/9856 و 0/9839 به دست آمد كه نشان مي­دهد نزديك به 98 درصد مقدار ديدافقي تحت تاثير اين متغيرهاي مستقل بوده و مابقي تغييرات آن وابسته به ساير عوامل است.

Meteorological phenomena are complex systems with different parts that are in contact with each other as well as their surroundings. The purpose of this research is to demonstrate the efficiency of neural networks in predicting meteorological variables. For this purpose, the prediction of horizontal visibility that is widely used in meteorology and aviation especially at airports has been selected for analysis. The data of this study are a compilation of Metar and Synop reports of Bandar Abbas synoptic station in the period from 1 to 30 March 2014. To implement this network, at first, the whole data were randomly divided into three categories with proportions of 75, 15 and 15 percent for learning, testing and validation of network and saved in other files. The seven variables for inputs )temperature, dew point temperature, atmospheric pressure, sky cloud coverage, wind speed and wind direction) of the network with 28 various composites tested with a feedforward network and their correlation with the output and amount of root mean square (RMS) error of network have been studied. The results show, the compositions that containing the present air phenomena are most correlated with the horizontal visibility. Besides, the dew point temperature, atmospheric pressure and the amount of cloud cover are variables that alone do not have an affect on the horizontal visibility. In this research, a network which works with training neural networks by resilient backpropagation algorithm is used. This is a learning heuristic for supervised learning in feedforward artificial neural networks, which only the sign of the partial derivative is used to determine the direction of the bias and weight updates and the magnitude of their derivative has no effect on their updates. Of course, the size of their change (increment and reduce rates) is determined by a separate update value. This network with eight neurons and sigmoid transfer function in the hidden layer and the linear transfer function in the output layer is used for predicting of horizontal visibility. This network was performed with two standardization data sets between intervals 0.0-1.0 and 0.1-0.9; also, different learning rates, incremental and reduced rates for weights and biases. The results show that the normalization is not appropriate between zero and one. The appropriate amounts of learning rate, incremental and reduced rates for this network are 0.0001, 1.2 and 0.35, respectively. the values of the coefficient of determination for training, test and validation data for a running network with all variables were 0.9972, 0.9866 and 0.9839, respectively. These values show that nearly 99 percent of the measured horizontal visibility is affected by these independent variables and the rest of its variations are dependent on other factors.