پیش آگاهی بلندمدت بارش با استفاده از سیستم شبکه ی عصبی مطالعه ی موردی: حوضه ی کارون بزرگ

پیش بینی بارش در مدیریت و هشدار سیل نقش مهمی بر عهده دارد و با اطلاع از میزان بارندگی می توان امکان وقوع سیل را در یک منطقه پیش بینی و اقدامات لازم را به عمل آورد. به دلیل اینکه بارشهای سه ماه ژانویه، فوریه و مارس در اکثر مواقع سیل آسا می باشند و همچنین بیشتر بارشها در این سه ماه رخ می دهند، لذا در این پژوهش به بررسی عوامل موثر بر بارش و مدل سازی این سه ماه پرداخته شد. برای مدل سازی بارش از داده های بارش ماهانه ی ایستگاه همدید و بارانسنجی در بازه ی آماری (۲۰۱۴-۱۹۸۴) به مدت ۳۰ سال بعنوان متغیر وابسته و شاخصهای اقلیمی، سیگنالهای بزرگ مقیاس اقلیمی شامل؛ دمای سطح دریا و دمای ۱۰۰۰ میلی باری، هم ارتفاع تراز ۵۰۰ میلی باری ، امگای ۲۰۰ میلی باری و عناصر اقلیمی بعنوان متغیر مستقل استفاده شده است. به دلیل رفتار غیرخطی بارش از شبکه های عصبی مصنوعی جهت مدل سازی بهره گرفته شد. جهت مشخص شدن بهترین معماری برای ورود به شبکه ی عصبی از تحلیل عاملی استفاده شد. برای پیش بینی بارش از داده هایی که بیشترین ارتباط را با بارش نشان دادند بصورت چهار الگو استفاده گردید که در ماه ژانویه الگوی چهارم با خطای آنتروپی ۰۴۵/۰، تعداد لایه های ورودی ۹۱ واحد ، بهترین آرایش ۱۵-۱ و ضریب همبستگی ۹۴ درصد بود. در ماه فوریه، الگوی سوم با ضریب همبستگی ۹۷ درصد،  خطای آنتروپی ۰۳۶/. درصد ، تعداد واحدهای ورودی ۸ واحد و بهترین نوع آرایش لایه ی پنهان ۱۰-۱ بود. بارش ماه مارس با تمام الگوها ضریب پیش آگاهی بالا بود که الگوی اول با خطای آنتروپی ۰۳۸/.، تعداد واحدهای ورودی ۶۷، نوع آرایش لایه ی پنهان، ۱۷-۱، ضریب همبستگی ۹۸ درصد بود.

کلیدواژه ها:

Factor analysis ، synoptic systems ، climatic indices ، climatic elements ، perceptron neural network ، تحلیل عاملی ، سیستم های سینوپتیک ، شاخصهای اقلیمی ، عناصر اقلیمی ، شبکه عصبی پرسپترون