مدل سازي بارش ماهانه با استفاده از شبكه ي سيستم عصبي مطالعه ي موردي: شهرستان خرم آباد

Monthly precipitation Modeling using climate Monthly precipitation Forecast using climate indices using Perceptron artificial neural network and regression Case study: city of Khorramaba

مدل سازي بارش ماهانه براي يك ناحيه از اهميت ويژه اي برخوردار است. در اين پژوهش به منظور مدل سازي بارش خرم آباد از داده هاي بارش ماهانه ي ايستگاه همديد خرم اباد در بازۀ آماري ( 2014 - 1951) به مدت 64 سال بعنوان متغير وابسته و شاخص هاي اقليمي و عناصر اقليمي بعنوان متغير مستقل استفاده شده است. براي استفاده از مهم ترين عناصر اقليمي موثر بر منطقه مورد مطالعه از تحليل عاملي استفاده شد و براي تشخيص مهم ترين شاخص اقليمي موثر بر متغير وابسته از روش هاي تحليل رگرسيوني گام به گام استفاده گرديد. نتايج پژوهش بعد از آزمون شبكه با لايه هاي پنهان و با ضرايب يادگيري مختلف و سعي و خطاي زياد آشكار ساخت كه با شاخ صهاي اقليمي با مدل هاي 6 گانه با ضريب همبستگي به ترتيب 63 % ، 74 % ، 76 % ، 88 % ، 86 % ، 89 % با عناصر اقليمي عامل اول موثر بر اقليم منطقه كه بيش از 50 درصد داده ها را تبيين مي كند با ضريب همبستگي 90 درصد و با عوامل بارشي 99 % و عوامل دمايي كه بار منفي دارند با ضريب همبستگي 98.8 % ، عامل دوم موثر بر اقليم منطقه عامل (بادي) 76 % ، عامل سوم(دمايي) %91 ، مي توان به مدل سازي بارش پرداخت و بارش را مدل سازي نمود.

Precipitation is one of the most important and most important climatic elements that plays a significant role in determining the role and distribution of other climatic elements. In order to model the Khorramabad rainfall, the monthly rainfall data of Khorramabad synoptic station in the statistical period (1951-2014) for 64 years was used as a dependent variable and climatic and climatic indices as independent variables. Factor analysis was used to use the most important climatic elements affecting the studied area. Stepwise regression analysis methods were used to identify the most important climatic index affecting the dependent variable. The results of the research revealed that after the network test with hidden layers, with different learning and multiplicity of experiments and errors, the climatic indices of the six models with the correlation coefficient were 63%, 74%, 76%, 88%, 86% Rainfall modeling can be done and with climatic elements, the first factor affecting the climate of the region, which accounts for more than 50% of the data, with a correlation coefficient of 90% and with factors of rainfall of 99% and temperature factors with a negative charge with correlation coefficient 98.8%, the second factor influencing the climate of the operating area (wind) was 76%, the third factor (temperature) 91%, paid modeling.