نجمه خلیلی - دانشجوی کارشناسی ارشد آبیاری و زهکشی - دانشگاه فردوسی مشهد
سعیدرضا خداشناس - استادیار گروه مهندسی آب - دانشگاه فردوسی مشهد
کامران داوری - استادیارگروه مهندسی آب - دانشگاه فردوسی مشهد

پیش بینی بارش و برآورد نزولات جوی، به عنوان یکی از مهمترین پارامتر های اقلیمی در حوزه مد یریت منابع آبی، از اهمیت ویژه ای در تعیین س یاستهای آ ینده جهت به ینه ساز ی صرف هزینهها و استفاده از این منـابع برخوردار است . یکی از روش های مدل سازی رفتار بارش، شبکه های عصبی مـصنوعی ١ اسـت کـه از مؤلفـه هـای هـوش مصنوعی محسوب می شود . در این گونه مدل ها بدون در نظر گرفتن معادلات پیچیده غیر خطی، می توان دینامیک حاکم بر سیستم را استخراج نموده و از این طریق، خروجی های مدل را پیش بینی نمود . در این تحقیق، با استفاده از اطلاعات بارش میانگین ماهیانه ، به عنوان ورودی های شبکه عصبی پرسپترون پیشخور چند لایه( MLP )، در یک مدل جعبه سیاه، پیش بینی ماهیانه بـارش در ایـستگاه سـینوپتیک مـشهد ، انجـام گرفته است . بدین منظور، از امکان ات و توابع موجود در محیط برنامه نویسی نرم افزار MATLAB ، بهره گرفته شد . پس از بررسی معیار های آماری برازش، از جمله ضرایب روابط رگرسیونی بین مقـادیر واقعـی و پـیش بینـی شـده بارش و همچنین میانگین مجذور مربعات خطا ، مشاهده شد که پیش بینی ماهیانه بارش، با دقت قابل قبـولی انجـام شده است . چنان میانگین مجذور مربعات خطا ، به ترتیـب0/92 و 1/00 میلـی متـر بـه دست آمده است .

پیشبینی بارش، شبکههای عصبی مصنوعی، پرسپترون پیشخور چند لایه، جعبه سیاه