پیش بینی بارندگی ماهیانه با استفاده از شبکه های عصبی مصنوعی و خوشه بندی فازی (مورد: بیرجند)

عوامل بسیاری در بارندگی تأثیر دارند که در این تحقیق از چهار پارامتر مؤثر شامل رطوبت، دما، فشار و ساعت آفتابی برای پیش بینی بارندگی استفاده گردیده است. نتایج نشان دهنده ی موفقیت شبکه های عصبی و خوشه بندی فازی به عنوان یک روش غیرخطی برای پیش بینی بارندگی می باشد. مسلماً در آینده با افزایش دوره ی آماری داده های بارندگی می توان دقت مدل های مورد نظر را افزایش داد. مزیت این پژوهش نسبت به سایر پژوهش ها در این است که اولاً شبکه عصبی بیان شده با ذکر جزئیات کامل آن از قبیل تعداد نرون، تعداد لایه مخفی، تابع فعالیت و نرخ تعلیم بیان شده است. ثانیاً چند شبکه عصبی با هم مقایسه شده است و تفاوت شبکه های عصبی بر روی داده ها نشان می دهد و نهایتاً با استفاده از خوشه بندی فازی بهترین پاسخ دریافت شده است. در این تحقیق برای اولین دفعه شهرستان بیرجند با این روش مورد مطالعه قرار گرفته است. ضمناً این کار با شبکه های RBF, MLP و ماشین های بردار پشتیبان انجام گردیده و بهترین شبکه معرفی شده است. همچنین داده های چهارگانه ی ورودی بطور جداگانه و گروهی برای آموزش شبکه استفاده گردیده و داده هایی که بیشترین تدثیر را در بارندگی دارند معرفی شده اند.

کلیدواژه ها:

پیش بینی بارندگی ، خوشه بندی فازی ، شبکه های عصبی مصنوعی ، ماشین های بردار پشتیبان ، خوشه بندی فازی