بررسي نوع و تعداد پارامترهاي ورودي شبكه عصبي مصنوعي در دقت برآورد بارش (مطالعه موردي : شهر مشهد)

بارش به عنوان مهمترين عنصر اقليمي، همواره از پيچيدگي هاي خاصي برخوردار بوده است. اندازه گيري دقيق بارش كاربردهاي بسياري در تحقيقات اقليمي، كشاورزي، خشكسالي، بلاياي طبيعي و آب شناسي دارد. در اين مطالعه، به دليل رفتار غيرخطي بارش، از شبكه هاي عصبي مصنوعي جهت پيش بيني آن بهره گرفته شد. بدين منظور داده هاي سالانه ي ايستگاه سينوپتيك مشهد طي دوره 40 ساله (1970-2010) در قالب داده هاي هواشناسي بارشي و غيربارشي مد نظر قرار گرفت. نتايج اجراي شبكه عصبي مصنوعي با پارامترهاي هواشناسي غيربارشي به عنوان ورودي، نشان داد كه استفاده از شبكه هاي عصبي مصنوعي با 1 لايه پنهان و 8 نرون لايه مياني و قانون يادگيري لونبرگ-ماركوات و تابع محرك سيگموئيد نسبت به ساير حالت ها و معماري شبكه، خطاي كمتر (NRMSE=0/192) و همبستگي بيشتر (r=0/93) داشت. در مقابل با كاربرد داده هاي بارشي به عنوان ورودي شبكه عصبي مصنوعي خطا به (NRMSE=0/219) افزايش و همبستگي به (r=0/08) كاهش يافت. در نهايت معين شد،كاربرد داده هاي هواشناسي غيربارشي نسبت به داده هاي بارشي، منجر به برآورد بهتر بارش در منطقه مورد مطالعه مي گردد.