تخمین بارندگی با استفاده از روش شبکه های عصبی مصنوعی در استان گیلان

اندازه گیری دقیق بارش، کاربردهای بسیاری در تحقیقات اقلیمی، کشاورزی، خشکسالی، بلایای طبیعی و آب شناسی دارد. از آن جایی که ایستگاه های اندازه گیری بارش پراکنده بوده و دسترسی به اندازه گیری های بارش معمولا با تاخیر زمانی همراه است، از این رو وجود روش های دیگری برای برآورد بارش ضروری است. پیش بینی بارش برای کشورهای در حال توسعه که اقتصاد آن ها مبتنی بر کشاورزی است، خیلی مهم می باشد. به طور مشخص، اقلیم و بارش پدیده های غیر خطی بزرگی در طبیعت هستند. این تحقیق به برآورد بارندگی ماهانه طی دوره 10 ساله در استان گیلان و با استفاده از روش شبکه های عصبی مصنوعی پرداخته است. همچنین از داده های هواشناسی شهرهای انزلی، رشت و تالش به عنوان ایستگاه های مورد بررسی استفاده شده است. در این تحقیق از شبکه عصبی پیش رو با تعداد لایه ورودی مختلف ( بسته به سناریوی تعریف شده ) و یک خروجی ( بارندگی ماهانه ) استفاده شده است. برای بررسی ارتباط خطا با ورودی ها، وزن ها و خروجی ها، روش های متفاوتی از جمله روش گرادیان شیب، روش نیوتن، روش اندازه حرکت، روش آنتروپی متقابل و روش لونبرگ مارکواد وجود دارد که در این تحقیق تابع مورد استفاده جهت آموزش از نوع الگوریتم لونبرگ مارکواد بوده است. نتایج گویای عملکرد قابل قبول شبکه های عصبی مصنوعی در تخمین بارش بوده است. مقادیر NS، MAD و RMSE به ترتیب 12/87، 0/70 و 57/57 برای ایستگاه لاهیجان در مرحله آزمون گویای این مطلب می باشد.

کلیدواژه ها:

الگوریتم لونبرگ ، مارکواد ، داده های هواشناسی ، MLP