برآورد ميزان تغييرات بارندگي با استفاده از تلفيق تكنيك شبكه‌هاي عصبي مصنوعي و زمين‌آمار در شمال غرب ايران

Estimation Rainfall Variation Using Artificial Neural Networks and Geostatistics Techniques over Northwest of Iran

ضرورت آگاهي از وضعيت منابع آب و نزولات جوي در مناطق مختلف براي اجراي طرح‌هاي آبي از يك‌سو، و فقدان شبكه‌اي مطلوب از ايستگاه‌هاي اندازه‌گيري پارامترهاي هواشناسي از سوي ديگر، اهميت استفاده از روش‌هاي غيرمستقيم را براي تخمين پارامترهاي اقليمي در بسياري از مناطق كشور آشكار مي‌سازد. پيش‌بيني تغييرات اقليمي حاكم بر هر منطقه و مدل‌سازي‌هاي اقليمي و هيدرولوژيكي، مستلزم در دسترس بودن اطلاعات درازمدت و هم‌زمانِ بارش در قالب‌هاي مكاني و زماني در ايستگاه‌هاي باران‌سنجي است. به دليل عدم كفايت ايستگاه‌هاي ثبت بارندگي در گذشته، دسترسي به اين اطلاعات در بسياري از مناطق كشور با محدوديت‌هايي همراه است و پياده‌سازي اين مدل‌ها در مناطق مذكور عملاً ناممكن مي‌نمايد. استفاده از شبكه‌هاي عصبي مصنوعي (ANN) امكان برآورد اين اطلاعات را در ايستگاه‌هاي پراكنده باران‌سنجي، و در درازمدت حتي در سال‌هايي كه منطقه فاقد ايستگاه‌هاي ثبت بارش بوده است، فراهم مي‌كند. در اين تحقيق براي برآورد آمار ميانگين بارندگي ماهانه و فصلي و سالانه در 305 ايستگاه هواشناسي موجود در سه استان اردبيل و آذربايجان شرقي و آذربايجان غربي در دو دهه پيش از تاسيس اين ايستگاه‌ها، از 36600 داده ثبت‌شده آمار بارندگي ماهانه در دوره ده‌ساله 2004-1995 استفاده شد. اين داده‌ها به عنوان ورودي براي آموزش شبكه‌هاي عصبي با الگوريتم پس‌انتشار خطا به كار گرفته شدند. طول و عرض جغرافيايي، ارتفاع، شيب، عدد ماه و ميانگين بارندگي ماهانه 5 ايستگاه نزديك‌تر به هر ايستگاه نيز به عنوان پارامترهاي ورودي شبكه انتخاب شدند. ابتدا شبكه عصبي براي دوره ده‌ساله 2004-1995 آموزش داده شد و دقتي معادل (84/0=R) به‌دست آمد. پس از آموزش شبكه عصبي، اقدام به برآورد داده‌هاي ميانگين بارندگي ماهانه و فصلي و سالانه در دوره زماني 1994-1975 در ايستگاه‌هاي موجود در منطقه مطالعاتي گرديد. دقت شبكه عصبي در اين برآورد معادل 7/0، 78/0 و 88/0 به ترتيب براي تخمين مقادير ميانگين بارندگي ماهانه و فصلي و سالانه در سطح منطقه مورد مطالعه بود. ميزان اين دقت براي هر سه استان به صورت مجزا اعتبارسنجي شد و بيشترين دقت در استان آذربايجان غربي (معادل 78/0) به دست آمد. سپس اقدام به توليد نقشه‌هاي درون‌يابي شده ميانگين بارندگي ماهانه و فصلي و سالانه در سطح منطقه مطالعاتي، با استفاده از تخمينگر زمين‌آماري كريجينگ براساس داده‌هاي برآوردشده با تكنيك شبكه‌هاي عصبي و داده‌هاي موجود ثبت‌شده در ايستگاه‌ها در دوره زماني 2004-1975 گرديد. نتايج اين تحقيق امكان دسترسي به آمار پيوسته و درازمدت بارندگي و همچنين بررسي تغييرات توزيع مكاني بارندگي را در منطقه شمال غرب كشور از گذشته تا امروز ميسر مي‌سازد. كليد‌واژه‌ها: برآورد مكاني ـ زماني، شبكه‌هاي عصبي مصنوعي، الگوريتم پس‌انتشار خطا، كريجينگ، شمال غرب ايران.

Abstract Accessing the long-term rainfall statistics in most of regions is restrained due to the lack of rainfall stations and drawbacks in recording data. Developing the artificial neural networks leads to reconstruct the missing information in dispersed meteorological stations even within the years in which the recording stations were absent. In this research the average monthly rainfall data including 36600 collected records for 305 meteorological stations were employed to reconstruct the missing monthly average rainfall values. The selected study area is a vast part in north west of Iran; including the provinces Ardebil and West East Azerbaijan and the models have been run for a decade between 1995 and 2004.The network structure has been based on two hidden layers and trained using the back propagation error algorithm. The longitude, latitude, elevation, slope, month number (1-12) and the average monthly rainfall values for 1 to 26 nearest neighbors for each station have been used as the model input variables. The results showed that using 5 nearest neighboring stations gives the highest precision and the obtained correlation coefficient during 1995-2004 is 0.86 for the training data. The corresponding value of reconstructed data for West and East Azerbaijan and Ardebil provinces were 0.82, 0.78 and 0.70 during 1985-1994 respectively. The reason of such differences in the mentioned provinces arises from the fact that the number of stations taking part in training process decreases from West Azerbaijan to Ardebil. The interpolated maps have then been created using different geostatistics methods based on the output predicted estimates resulted from neural networks. Consequently, this method allows investigating the spatiotemporal distribution of rainfall along with creating the monthly interpolated maps for years 1985 to 2004 in the study area. For validating the interpolation methods, the cross validation has been employed and the Mean Biased Error and Mean Absolute Error and Root Mean Square Error have been compared.