تعيين اثر پيش پردازش داده بر عملكرد شبكۀ عصبي مصنوعي به منظور پيش بيني بارش ماهانه در شهرستان آباده

Data Pre-Processing Effects on the Artificial Neural Network Performance to Predict Monthly Rainfall (Case Study: Abadeh County)

در پژوهش حاضر با استفاده از اطلاعات ميانگين بارش ماهانه، كمترين و بيشترين دما و رطوبت ايستگاه سينوپتيك شهرستان آباده در بازه زماني 1355 تا 1392 به صورت نرمال شده و خام به عنوان ورودي هاي شبكه پرسپترون چندلايه، بارش ماه آينده شهرستان پيش بيني شد. براي نرمال سازي داده هاي هواشناسي، پس از بررسي وجود داشتن يا نداشتن داده هاي گم شده و پرت از سه روش نرمال سازي مينيمم ـ ماكزيمم، رتبه اي و آماره نرمال استاندارد استفاده شد. پس از به دست آوردن بهترين ساختار شبكه با استفاده از آزمون و خطا براي هر روش از مقايسه بهترين ساختارهاي هر روش با يكديگر، روش مينيمم ـ ماكزيمم با ساختار شبكه سه لايه و تعداد 13 نورون در لايه پنهان با مقدار 0/92=R و 0/12=MSE در مقايسه با ديگر روش ها به عنوان بهترين روش انتخاب شد. نتايج آناليز حساسيت انجام شده نيز نشان داد مدل به حذف پارامتر بيشترين رطوبت بيشتر از ساير پارامترها حساسيت نشان داد. پس از آن نيز دماي حداكثر بيشترين تاثير را بر پيش بيني بارش داشت. همچنين مقايسه عملكرد شبكه با تعداد ورودي هاي مختلف نشان داد شبكه با داشتن دو ورودي شامل كمترين دما و رطوبت با مقدار 0/13= MSE در مواقعي كه كمبود داده وجود دارد نسبت به تعداد پنج ورودي به نتيجه خوبي رسيد.

Since many time series are not normal، it is required to normalize data by transformation functions prior to any analysis and modeling. In this study، the next month rainfall of Abadeh County station was predicted using the average monthly rainfall، minimum and maximum temperatures and minimum and maximum humidity as inputs of MLP network، both normally and raw، at period 1976 to 2013. After scrutiny the existence or nonexistence of missing and outlier data، meteorological data were normalized using three normalization methods: minimum-maximum، rank normalization and z- score. After obtaining the best network structure using try and error for each method، the minimum-maximum method with a three-layer network structure and 13 number of hidden layers of neurons chose as the best method with R=0.92 and MSE=0.13 compared to other methods. Also comparing the performance of the network in using raw and Pre-Processed data showed that Pre-Processing the data improved greatly network performance. The results of the sensitivity analysis showed the maximum sensitivity of model to remove maximum humidity parameter، and the second the maximum temperature had the greatest impact on precipitation forecast. Also comparing the performance of the network with the different numbers of inputs indicated that network with two inputs including minimum temperature and minimum humidity had good results (MSE = 0.13) compare with five inputs.