پيشبيني بلند مدت بارش با استفاده از شبكه هاي عصبي زمانمند

در اين مقاله، روشي براي پيشبيني سريهاي زماني هيدرولوژيكي، بخصوص سري زماني بارش ماهانه با استفاده از شبكههاي عصبي زمانمند، ارائه ميشود. در اين راستا، تمركز بر شبكههاي عصبي ديناميكي، براي درك روابط گذرا و زماندار سريهاي هيدرولوژيكي ميباشد. رويكردهايي نظير ايجاد اتصالات بازگشتي و استفاده از عملگرهاي تاخير زماني و همچنين تركيب آنها به منظور زمانمند كردن شبكهها مد نظر قرار گرفته ،(IDNN) و به تبع آن شبكههاي تحت عناوين شبكه آدالاين تطبيقي ١ ،شبكهعصبي با ورودي تاخيريافته ٢ و شبكههاي عصبي بازگشتي تاخير (RNN) شبكهعصبي بازگشتي ٤ ،(TDNN) شبكههاي عصبي تاخير زماني ٣ در پيشبيني بارش با تقدم زماني يك تا شش ماه مورد بررسي قرار گرفتهاند. همچنين از (TDRNN) زماني ٥ و مدل آماري آريما نيز براي پيشبيني بارش استفاده شده است. (MLP) شبكه استاتيك پرسپترون چند لايه ٦ آمار و اطلاعات حوزه آبريز كارون به عنوان محدوده مورد مطالعه اين تحقيق در نظر گرفته شده است. نتايج نشان ميدهد كه استفاده از رويكرد شبكههاي عصبي زمانمند بهبود قابل توجهي در پردازش سريهاي زماني بهترين پيشبيني يكماه جلوتر و TDRNN دارد. مدل MLP نسبت به مدلهاي آماري آريما و شبكه استاتيك بهترين پيشبيني ششماه جلوتر را در مقايسه با ساير مدلها و اطلاعات مشاهدهشده انجام TDNN مدل دادند. همچنين نتايج حاكي از موثرتر بودن عملگرهاي تاخير زماني نسبت به اتصالات بازگشتي ميباشد