عدم قطعيت شبكه عصبي مصنوعي در تخمين تبخير روزانه (مطالعه موردي: ايستگاه هاي رشت و منجيل)

در اين تحقيق كاربرد شبكه عصبي پرسپترون چندلايه (MLP) براي پيش ­بيني تبخير روزانه در دو ايستگاه سينوپتيك رشت و منجيل واقع در استان گيلان در شمال­ ايران بررسي گرديده است. ابتدا با استفاده از آزمون گاما مهم­ترين تركيب از پارامترهاي هواشناسي براي هر دو ايستگاه شناسايي و مدل­سازي براساس تركيب بهينه صورت گرفت. نتايج مدل شبكه عصبي مصنوعي- آزمون گاما (ANN-GT) با استفاده از معيارهاي ارزيابي مدل همچون مجذور ميانگين مربعات خطا (RMSE) ضريب همبستگي (CC) و ضريب ناش-ساتكليف (NS) ارزيابي شده است. نتايج نشان داد كه مدل (ANN-GT) براي ايستگاه رشت با ضريب همبستگي 86/0، مجذور ميانگين مربعات خطا 95/0، ضريب ناش-ساتكليف 74/0 و ايستگاه منجيل با ضريب همبستگي 94/0، مجذور ميانگين مربعات خطا 58/1، ضريب ناش-ساتكليف 89/0، داراي عملكرد قابل قبولي در پيش­ بيني تبخير روزانه مي ­باشد. براي بررسي عدم قطعيت، درصدي از داده­ هاي مشاهده شده كه در محدوده باند پيش­بيني عدم قطعيت 95 درصد (95PPU) قرارگرفته­ اند (P-factor) و عرض متوسط باند (d-factor) براي مدل، مدنظر قرار داده شد. بنابر نتايج عدم قطعيت، عرض متوسط باند عدم قطعيت (d-factor) براي ايستگاه رشت (30/0) و براي منجيل (33/0) برآورد شد. اين امر حاكي از عدم قطعيت پايين مدل شبكه عصبي مصنوعي-آزمون گاما (ANN-GT) در پيش ­بيني تبخير روزانه براي هر دو ايستگاه مي­ باشد. همچنين درصد داده­ هاي مشاهداتي در باند (95PPU) براي رشت 25 و براي منجيل 45 درصد به­دست آمد. دليل پايين بودن اين مقادير رامي ­توان، وجود عدم قطعيت­ هاي كوچك در پارامترها ذكر كرد.

This research uses the multilayer perceptron (MLP) model to predict daily evaporation at two synoptic stations located in Rasht and Manjil, Guilan province, in north-west of Iran. Initially the most important combinations of climatic parameters for both of the stations were identified using the gamma test; and daily evaporation were modeled based on the obtained optimal combination. The results of the artificial neural network- Gamma Test (ANN-GT) model are evaluated using the root mean square errors (RMSE), correlation coefficient and Nash-Sutcliffe (NS) criteria. The results showed that the ANN-GT model for Rasht station with a correlation coefficient . , root mean square error . and Nash-Sutcliffe criteria . and for Manjil station with correlation coefficient . , root mean square error . and Nash-Sutcliffe criteria . has an acceptable performance in predicting daily evaporation. To evaluate the uncertainty, we considered a percentage of data which were included in percent of uncertainty (p-factor) and the average width of the ppu band (d-factor). Regarding the uncertainty results, the average with of PPU bound were obtained as . and . for the Manjil and Rasht stations, respectively. This shows the low uncertainty level of the ANN-GT model for predicting daily evaporation at both of the stations. Furthermore, the percentage of the observed data at PPU band was low and equal to and for the Rasht and Manjil stations, respectively. The reason for these low values can be due to low uncertainty in the parameters.