پيش بيني بارش اصفهان با استفاده از شبكه هاي عصبي مصنوعي

Forecasting Isfahan precipitation with Artificial Neural Networks

بارش مهمترين سنجه ي هواشناسي و اقليمي است. در اين پژوهش به منظور پيش-بيني بارش اصفهان از داده هاي بارش ماهانه ي ايستگاه همديد اصفهان در بازه ي آماري (1951-2009) به مدت 59 سال و به دليل رفتار غيرخطي بارش از شبكه هاي عصبي مصنوعي جهت پيش بيني آن بهره گرفته شد. در اين ارتباط، 70 درصد داده ها جهت آموزش شبكه و 30 درصد داده ها براي تست و اعتبار سنجي اختصاص داده شد. نتايج پژوهش بعد از آزمون شبكه با لايه هاي پنهان و با ضرايب يادگيري مختلف آشكار ساخت كه استفاده از شبكه هاي عصبي مصنوعي با يك پرسپترون با 2 لايه پنهان و ضريب يادگيري 4/0 نسبت به ساير حالت ها و معماري شبكه، مدل نسبتاً بهتري را ارايه مي كند. به بياني ديگر، داده هاي پيش بيني شده بارش ماهانه توسط شبكه با چنين ساختار و معماري، بيشتر با واقعيت انطباق دارد. آموزش مجدد شبكه و آزمون شبكه با لايه هاي پنهان و ضرايب مختلف يادگيري در تركيب با الگوريتم ژنتيك نيز نشان داد كه تركيب شبكه با ويژگي هاي مذكور با الگوريتم ژنتيك باعث كاهش خطا و افزايش سرعت محاسبات شده و مدل بهتري را ارايه مي كند. بطور كلي مي توان گفت كه شبكه عصبي به خوبي رابطه غير خطي بين مقادير ماهانه بارش را با توجه به آموزش شبكه با خصوصيات ذكر شده، پيش بيني مي كند. در عين حال، نتايج حاصل از تصادفي كردن داده ها تفاوتي چنداني با مرتب بودن داده ها براي آموزش شبكه ندارد.

Forecasting Isfahan precipitation with Artificial Neural Networks Amir Hossien Halabian: Assistance professor of climatology, Department of geography, Payame Noor University, Tehran, Iran Mohammad Darand: Assistance professor of climatology, university of Kurdistan, Iran Abstract Precipitation is the most important climate and meteorology factor. In this study monthly precipitation data of Isfahan synoptic station during 1951-2009 has been used. Because of none linearly of precipitation during time, The Artificial neural networks have been used. 495 (70%) of data has been used as training and 231 data about (30%) as testing and validation. The Results of this study after network testing with different hidden layer and training coefficient indicated that using of Artificial neural network with 2 hidden layer Perceptron , 0/4 training coefficient has presentation comparatively a better model .So after testing again network and training with different hidden layer and training coefficient in combination with genetic algorithm indicated that combination of network with mentioned characters with genetic algorithm decrease the error and increase speed of calculation and present a better model. The random and arranged precipitation data didn’t have any effect on the results. It is necessary to be mentioned that data combination neural networks with algorithm genetic result in increase accuracy and better fitting the model. Keywords: Precipitation, forecasting, artificial neural network, genetic algorithm, Isfahan.