بررسي عملكرد شبكه عصبي‌مصنوعي در تخمين ميزان بارش با استفاده از داده‌هاي اقليمي و جغرافيايي (مطالعه موردي: استان فارس)

پيش بيني بارش از نقش مهمي در حفظ، مديريت، تخصيص و توزيع منابع آب، تعيين حجم تأسيسات آبي،  تأمين نياز آبي محصولات و همچنين تعيين مقدار فرسايش و رسوب برخوردار است. روش‌هاي مختلفي جهت پيش بيني بارش وجود دارد. اين پژوهش با هدف بررسي عملكرد شبكه هاي عصبي مصنوعي در پيش بيني بارش ماهانه بر اساس اطلاعات اقليمي و جغرافيايي نظير دماي حداقل و حداكثر، رطوبت حداقل و حداكثر، بارش، طول و عرض جغرافيايي و ارتفاع از سطح دريا در سطح ۲۳ ايستگاه استان فارس اجرا گرديد. نتايج در سطح ۵، ۱۰ و ۱۸ داده ورودي نشان داد با افزايش تعداد ورودي دقت مدل در تخمين ميزان بارش ماهانه افزايش مي يابد. دقيق ترين مدل شبكه عصبي در روش نرمال سازي رتبه اي با يك لايه مخفي و بهترين ساختارهاي شبكه نيز به ترتيب در ساختار 1-25-5، 1-30-10 و ۱-۲۰-۱۸ مي باشد. نتايج نشان داد كه شبكه عصبي با ۱۸ ورودي داراي كوچك ترين MSE=0.032 و بالاترين R=0.62 مي باشد. بهترين روش براي نرمال سازي، روش رتبه اي با شبكه عصبي بهينه يك لايه و ساختار 1-25-5 و الگوريتم آموزش لونبرگ- ماركوارت و تابع محرك تانژانت سيگموئيد مي باشد. بنابراين با استفاده از شبكه عصبي مصنوعي (با ۱۸ ورودي معرفي شده) مي توان مقدار و توزيع بارش ماهانه منطقه وسيعي را با دقت قابل قبولي پيش بيني نمود. اين موضوع نقش بسيار تعيين كننده اي در مديريت و برنامه ريزي منابع آب شرب و كشاورزي ايفا مي كند؛ به طوري كه مي توان با در نظر گرفتن اين پيش بيني ها، سياست هاي آينده را در جهت بهينه سازي صرف هزينه ها و امكانات بهره وري حداكثر طرح ريزي كرد.