پيش‌بيني بارش‌ هاي سالانه در ايستگاه‌ هاي سينوپتيك كرمانشاه و نوژۀ همدان با استفاده از شبكۀ عصبي مصنوعي

اهمّيّت پيش‌بيني بارش به عنوان مهم‌ترين عنصر اقليمي و مبناي تمام برنامه‌ريزي‌ها، به‌ويژه در مناطقي كه رژيم‌هاي بارش تغييرات معني‌دار دارد، بر هيچ‌كس پوشيده نيست. استفاده از شبكه‎هاي عصبي مصنوعي يكي از روش‎هاي پيش‎بيني است كه در سال‎هاي اخير توسعۀ زيادي يافته است. در اين پژوهش براي پيش‎بيني بارش‎هاي سال بعد در دو ايستگاه سينوپتيك كرمانشاه و نوژۀ همدان از داده‎هاي برخي از عناصر اقليمي فصول سرد سال قبل استفاده شد. به اين منظور، سري‎هاي زماني هفت عنصر اقليمي شامل ميانگين دما، بارش، رطوبت نسبي، نسبت مخلوط، فشار بخار، دماي نقطۀ شبنم و فشار سطح دريا به عنوان ورودي به شبكه‎هاي عصبي وارد گرديد. خروجي شبكه‎ها، بارش سال بعد در نظر گرفته شد. با توجّه به ماهيت غيرخطّي عناصر اقليمي منتخب در اين تحقيق، از شبكه‎هاي پرسپترون چندلايهاستفاده شد كه از انواع شبكه‎هاي پيشرو با الگوريتم‎هاي آموزشي نظارتي و مناسب داده‎هاي غيرخطّي است. براي آموزش شبكه‎ها از دو ردۀ الگوريتم آموزشي ديگر، شامل الگوريتم‎هاي آموزشيBP  و الگوريتم نرمال‎سازي اعداد استفاده شد. در نهايت، تركيب اين الگوريتم‎ها منجر به توليد 720 شبكۀ آموزشي در دو ايستگاه شد. نتايج تحقيق نشان داد شبكۀ عصبي مصنوعي در هر دو ايستگاه به طرز مناسبي مقادير بارش سالانه را پيش‎بيني مي‎كند. بهترين پيش‎بيني در ايستگاه كرمانشاه مربوط به تابع آموزشي traingd با الگوريتم نرمال‎سازي ميانگين و انحراف معيار با خطاي آزمايش معادل 0195/0 در دورۀ سرد سال (پاييز و زمستان)، و در ايستگاه نوژۀ همدان مربوط به تابع آموزشي traingdx با الگوريتم نرمال‌سازي 06/0 pca با خطاي آزمايش معادل 0047/0 در فصل زمستان است.