بررسی نوع و تعداد پارامترهای ورودی شبکه عصبی مصنوعی در دقت برآورد بارش (مطالعه موردی : شهر مشهد)

بارش به عنوان مهمترین عنصر اقلیمی، همواره از پیچیدگی های خاصی برخوردار بوده است. اندازه گیری دقیق بارش کاربردهای بسیاری در تحقیقات اقلیمی، کشاورزی، خشکسالی، بلایای طبیعی و آب- شناسی دارد. در این مطالعه، به دلیل رفتار غیرخطی بارش، از شبکه های عصبی مصنوعی جهت پیش بینی آن بهره گرفته شد. بدین منظور داده های سالانهی ایستگاه سینوپتیک مشهد طی دوره 40 ساله (1970-2010) در قالب داده های هواشناسی بارشی و غیربارشی مد نظر قرار گرفت. نتایج اجرای شبکه عصبی مصنوعی با پارامترهای هواشناسی غیربارشی به عنوان ورودی، نشان داد که استفاده از شبکه های عصبی مصنوعی با 1 لایه پنهان و 8 نرون لایه میانی و قانون یادگیری لونبرگ-مارکوات و تابع محرک سیگموئید نسبت به سایر حالت ها و معماری شبکه، خطای کمتر (NRMSE=0/192) و همبستگی بیشتر (r=0/93) داشت. در مقابل با کاربرد داده های بارشی به عنوان ورودی شبکه عصبی مصنوعی خطا به (NRMSE=0/219) افزایش و همبستگی به (r=0/08) کاهش یافت. در نهایت معین شد،کاربرد داده های هواشناسی غیربارشی نسبت به داده های بارشی، منجر به برآورد بهتر بارش در منطقه مورد مطالعه می گردد.

کلیدواژه ها:

بارش سالانه ، شبکه عصبی مصنوعی ، سری زمانی ، مشهد