پیش‌بینی بارش فصلی با حداقل متغیرهای اقلیمی مطالعه موردی: ایستگاه کرمان

 پیش­بینی بارش و برآورد نزولات جوی، به عنوان یکی از مهم‌ترین پارامترهای اقلیمی در حوزه مدیریت منابع آبی، از اهمیت ویژه­ای برخوردار است. بنابراین در این مقاله، امکان کاربرد شبکه عصبی در برآورد بارش با حداقل پارامترهای اقلیمی مورد بررسی قرار گرفت. به این منظور از شبکه عصبی پرسپترون چند لایه با قانون پس انتشار خطا و الگوریتم سیگموئید همراه با داده های میانگین رطوبت نسبی(meanHR)، کمینه رطوبت نسبی (minHR)، بیشینه رطوبت نسبی (maxHR)، میانگین دما (meanT)، کمینه دما (minT)، بیشینه دما (maxT)، میانگین فشار (meanP)، کمینه فشار (minP) و بیشینه فشار (maxP) ماه اکتبر ایستگاه هواشناسی سینوپتیک کرمان، طی دوره آماری 2014-1969 به عنوان ورودی مدل استفاده گردید. نتایج نشان داد در صورت کمبود پارامترهای اقلیمی، تنها با اندازه گیری minT و meanT می‌توان با خطایی معادل 8/9 میلیمتر، برآورد مناسبی از بارش با استفاده از شبکه­های عصبی مصنوعی در منطقه مورد مطالعه به دست آورد.

کلیدواژه ها:

بارش ، تابع فعالیت خطی ، تابع فعالیت سیگموئید ، شبکه عصبی مصنوعی ، قانون آموزش پس انتشار خطا