برآورد بارش به کمک شبکه عصبی مصنوعی با داده¬های هواشناسی غیربارشی در سه منطقه شیراز، مشهد و کرمان

Abstract

عنصر بارش ماهیت آشوبناکی و تصادفی داشته و از این نظر دارای تغییرات ساختاری در زمان­های مختلف است. در این راستا به<span style="font-family: Times New Roman;">­</span>دلیل عدم قطعیت­هایی که وجود دارد، نوسان­های زیادی در مقدار بارش ایجاد می­شود که پیش­بینی این کمیت مهم را با مشکل مواجه نموده است. در این مقاله با تکنیک مقیاس­بندی مجدد (<span style="font-size: small;"><span style="font-family: Times New Roman;">R/S</span></span>) و محاسبه نمای هرست (<span style="font-size: small;"><span style="font-family: Times New Roman;">H</span></span>) پیش­بینی­پذیری بارش در سه منطقه شیراز، کرمان و مشهد انجام شد. نمای هرست نشان داد که پارامتر بارش قابلیت پیش­بینی­پذیری را دارد، زیرا <span style="font-size: small;"><span style="font-family: Times New Roman;">H</span></span> از 5/0 بزرگ­تر بوده و بمراتب به<span style="font-family: Times New Roman;">­</span>مقدار 1 نزدیک­تر است. به­طوری­که نمای هرست از حداقل 8/0 در ایستگاه مشهد تا حداکثر 92/0 در ایستگاه شیراز در نوسان بود. به منظور پیش­بینی بارش از شبکه­های عصبی مصنوعی استفاده شد. نوع پارامترهای ورودی براساس آزمون همبستگی پیرسون از بین داده­های غیربارشی، ترکیبی از داده­های دمایی و رطوبتی بودند. تعداد پارامترهای ورودی، تعداد لایه­های میانی و سایر اطلاعات مربوط به شبکه عصبی مصنوعی به صورت تصادفی انتخاب و پیشنهاد شدند. در مجموع از شبکه­های عصبی پرسپترون چند لایه برای برآورد بارش استفاده شد. مقایسه عملکرد شبکه­های عصبی، نشان داد که استفاده از 3 و 4 پارامتر هواشناسی، بهترین رتبه برآوردگری را داشته­اند. آرایش­های پیشنهادی برای ایستگاه شیراز، 1-21-21-3، کرمان 1-25-25-3 و مشهد 1-19-19-4 دارای ضریب همبستگی بیش از 91 درصد شد. اعتبارسـنجی مدل­های بارش نشان داد که شـبکه­های طراحی شـده برای پارامتر بارش در ایستگاه­های مشهد، شیراز و کرمان به ترتیب با خطای 4، 11 و 14 درصد، دارای بهترین عملکرد بوده­اند. در مجموع نتایج نشان می­دهند که استفاده از روش شبکه عصبی با درنظر گرفتن اطلاعات دمایی و رطوبتی، نتایج مناسبی برای توصیف فرآیند و ترکیب آن­ها در پیش­بینی، به­دست می­دهند.