پيش‌بيني بارش ماهانه ايستگاه سينوپتيك كرمانشاه با استفاده از مدل تركيبي شبكه عصبي و موجك

Predicting monthly precipitation of Kermanshah synoptic station using the hybrid model of neural network and wavelet

سابقه و هدف: بارش به‌عنوان يكي از عناصر مهم هواشناسي، مطرح مي‌باشد كه شناخت لازم از ميزان اين عنصر، تغييرات و پيش‌بيني آن، از يك‌سو به جهت داشتن برنامه‌ريزي دقيق‌تر در مديريت بخش‌هاي كشاورزي، اقتصادي و اجتماعي ضروري مي‌نمايد و به همين دليل مورد توجه هيدرولوژيست‌ها و اقليم‌شناسان مي‌باشد. با توجه به اهميت پيش‌بيني بارش در برنامه‌ريزي‌ها و مديريت بحران هدف اين مطالعه اجراي يه مدل تركيبي شبكه عصبي و تبديل موجك براي پيش‌بيني بارش ماهانه در ايستگاه سينوپتيك كرمانشاه است. مواد و روش‌ها: در اين مطالعه براي پيش‌بيني سري زماني بارش ماهانه ايستگاه سينوپتيك كرمانشاه، از داده‌هاي پنج پارامتر اقليمي، ميانگين بارش ماهانه، ميانگين رطوبت نسبي، ميانگين حداكثر دما، ميانگين حداقل دما و ميانگين سرعت باد در دوره اماري 40 سال (1970-2010) استفاده شد. جهت كنترل كيفيت آمار و اطلاعات موجود از آزمون توالي استفاده شده است. نتايج نشان داد كه داده هاي مزبور از همگني لازم برخوردار مي باشند و سپس با توجه به ويژگي‌هاي غيرخطي مقياس‌هاي زماني چندگانه، براي پيش‌بيني بارش، از مدل شبكه عصبي و موجك استفاده شد. يافته‌ها: براي پيش‌بيني بارش از چهار پارامتر: ميانگين رطوبت نسبي، ميانگين حداكثر دما، مينگين حداقل دما و ميانگين سرعت باد استفاده و به‌وسيله تبديل موجكي به 8 زيرسري زماني چند فركانسي تجزيه شد و سپس براي پيش‌بيني بارش ماهانه آينده، اين سري‌ها به‌عنوان داده‌هاي ورودي به مدل شبكه عصبي مصنوعي وارد شد. ضرايب همبستگي (874/0R=) در پيش بيني 1 ماه بعد نشان‌دهنده اجراي نسبتاً پايين شبكه عصبي در مدلسازي مي‌باشد. در حالي‌كه ضريب همبستگي مدل شبكه عصبي- موجكي 94/0 است. همچنين دقت پيش بيني در هر دو مدل با افزايش تعداد تاخيرها در نرون خروجي كاهش مي‌يابد. لازم به ذكر است كه در پيش بيني توسط شبكه عصبي موجكي از موجك مير استفاده شد كه نتايج شبيه‌سازي توسط موجك مير از ميزان دقت بالايي برخوردار است، با توجه به آماره F تحليل واريانس شاخص‌هاي همگني و ناهمگني بارش مشاهده شده و بارش پيش بيني شده توسط مدل در سطح اطمينان 99% (008/0P < ) همگن مي‌باشد. نتيجه‌گيري: نتايج به‌دست آمده از تبديل موجك- شبكه عصبي با نتايج حاصل از كاربرد شبكه عصبي، مقايسه شده و ملاحظه گرديد كه روش موجك- شبكه عصبي نسبت به روش شبكه عصبي دقت پيش‌بيني بالاتري دارد و همچنين دقت پيش‌بيني در هر دو مدل با افزايش تعداد تاخيرها در نرون خروجي كاهش مي‌يابد. لازم به ذكر است كه در پيش‌بيني توسط شبكه عصبي موجكي از موجك مير استفاده شد كه نتايج شبيه‌سازي توسط موجك مير از ميزان دقت بالايي برخوردار است.

Background and Objectives: Precipitation is one of the most important meteorology elements and recognition of its amount, its variation and prediction, are necessary to have an actual planning in agricultural, economic and social management. So the hydrologists and climatologists are paying attention to it. Due to precipitation importance in planning and crisis management, the goal of this research leads to the implementation of neural network and wavelet conversion hybrid model to monthly precipitation prediction of Kermanshah synoptic station. Materials and Methods: In this research to predict monthly precipitation time series of Kermanshah’s synoptic station, five parameters namely: monthly precipitation average, relative humidity average, Maximum temperature average, minimum temperature average and wind speed average, were used within the forty years period (1970-2010). In order to quality control of given statistic and information, sequencing test is used. The results showed that given information is significantly homogeneous and according to nonlinear specifications of multiple time scales, neural network and wavelet model is used to precipitation prediction. Results: In order to precipitation prediction, four parameters of relative humidity average, maximum temperature average, minimum temperature average and wind speed average, were used and using wavelet alternation decomposed into 8 sub-series and then these series were used to future monthly precipitation prediction as the entrance neural network model data. The correlation coefficient (R=0.874) of next month prediction denoted the relatively low efficiency of the neural network while the wavelet-neural network model correlation coefficient is 0.94. Also, both model prediction precision decreases by increasing the number of output neurons delays. It should be noted that Meyer wavelet is used to wavelet- neurotic network prediction which has a high precision. Regarding the F statistic, variance analysis of homogeneity and heterogeneity indices of observed and predicted precipitation, is homogeneous in the confidence level of %99 (P < 0.008). Conclusion: The comparison between the driven results from wavelet conversion-neural network and driven results from a neural network application, showed that wavelet-neural network method had higher predicting precision than neural network and also predicting precision in both models decreases through increasing the number of delays of exit neurons. It is noteworthy that Meyer wavelet was used to neural network predicting which its simulated results had high precision.