تاثیر نوع الگوریتم آموزش شبکه عصبی پرسپترون چندلایه در دقت پیش بینی بارش ماهانه ایران، مطالعه موردی: مدل ECMWF

امروزه انواع شبکه­های عصبی مصنوعی در حوزه های مختلف علوم جو و اقلیم­شناسی برای اهدافی نظیر طبقه­بندی، رگرسیون و پیش­بینی استفاده میشوند. اما سوال اساسی در استفاده از شبکه­های عصبی مصنوعی، نحوه طراحی و معماری آنهاست. یکی از نکات مهم در استفاده از شبکه­های عصبی مصنوعی که باید مد نظر طراحان قرار بگیرد، انتخاب الگوریتم مناسب برای آموزش شبکه است. در این مقاله، شش روش مختلف آموزش شبکه عصبی پرسپترون چند لایه شامل روش های منظم سازی بیزی، لونبرگ-مارکوات و گرادیان مزدوج پاول-بل، الگوریتم شبه نیوتنی BFGS، گرادیان مزدوج فلچر-پاول و گرادیان مزدوج مقیاس شده برای پیش­بینی ماهانه بارش کشور مورد بررسی و مقایسه قرار می گیرند. برای این منظور، یک شبکه عصبی پرسپترون برای پس پردازش خروجی بارش ماهانه مدل ECMWF طراحی میشود که برای آموزش آن از دادههای ERA۵ و روش های آموزش مختلف استفاده میشود. برای بررسی عملکرد شش روش آموزش مختلف، مقدار سه شاخص ضریب همبستگی، میانگین مربعات خطا و نیز شاخص نش-ساتکلیف برای هر مدل محاسبه شد. همچنین، عملکرد روش های مذکور در مناطق جغرافیایی مختلف کشور برای ماه ژانویه، به عنوان نمونه، مورد ارزیابی قرار گرفت. نتایج حاصل از مقایسه شاخص ها نشان داد که عملکرد دو روش منظم سازی بیزی و لونبرگ-مارکوات، در مقایسه با چهار روش دیگر برای آموزش شبکه عصبی بهتر است. همچنین این دو روش توانستند، در مقایسه با دادههای مدل ECMWF، قبل از پس پردازش، نتایج با دقت بیشتری را به دست آورند.

کلیدواژه ها:

Bayesian Regularization ، Levenberg-Marquardt algorithm ، multi-layer perceptron neural network ، ECMWF