پیش بینی بارندگی با استفاده از شبکه عصبی GMDH

مدیریت و برنامه ریزی در اغلب پروژه های منابع آب از قبیل سدها، مخازن، مهار سیلاب ها و کشاورزی نیاز به پیش بینی بارندگی در فواصل حداقل یک ماهه دارد. در این مقاله از دو نوع شبکه عصبی مصنوعی پرسپترون چندلایه (MLP) با الگوریتم پس انتشار خطا و همچنین روش دسته بندی گروهی داده ها (GMDH) جهت پیش بینی بارندگی بر اساس داده های 59 سال ایستگاه سینوپتیک حوزه آبریز شیراز استفاده شده است. نتایج بدست آمده نشان داد مدل شبکه عصبی مصنوعی GMDH توانایی بهتری نسبت به شبکه های MLP، در پیش بینی میزان بارندگی ماهانه دارد. بهترین مدل شبکه عصبی GMDH شامل 8 نرون در لایه میانی بوده و قادر به پیش بینی بارندگی با دقت بسیار مناسبی (RMSE=0.324 (R2=0.88)) می باشد. در انتها با استفاده از آنالیز حساسیت مهمترین پارامتر موثر در پیش بینی بارش، میانگین دما و کم اهمیت ترین پارامتر جهت ماکزیمم باد روزانه می باشد.

کلیدواژه ها:

بارندگی ، پیش بینی ، شبکه عصبی ، GMDH ، MLP