چکیده:
اهداف: هدف این پژوهش ، پیش بینی بارش روزانه با اسـتفاده از آمـار روزانـة هواشناسـی ایستگاههای کرمان، بافت و میانده جیرفـت ، طـی دورة مـشترک آمـاری ٢٣ سـاله (٢٠١٢- ١٩٨٩) می باشد. روش: برای دست یافتن به هدف تحقیق ، به آموزش شبکه های عصبی مصنوعی بـا سـاختار پرسپترون چندلایه و شبکة عصبی تابع پایة شـعاعی پرداختـه شـد. ترکیـب هـای مختلـف پارامترهای کمینة دما، بیشینة دما، میانگین دما، رطوبت نسبی ، سـرعت و جهـت بـاد و نیـز میانگین فشار، به عنوان ورودیهای شبکه های عصبی مـصنوعی و بـارش روزانـه بـه عنـوان خروجی شبکه درنظر گرفته شدند. یافته ها/ نتایج : نتایج نشان داد شبکه های عصبی مصنوعی پایة تابع شعاعی از دقـت بـسیار بیشتر و خطای کمتری نسبت به شبکة عصبی پرسپترون، برای تخمین بارش روزانه در هـر سه ایستگاه برخوردار هستند. نتیجه گیری: در بهترین ترکیب با پارامترهای کمینه و بیشینه و حداقل دما و رطوبت نـسبی ، سرعت و جهت باد و نیز میانگین فشار در ایستگاه کرمان بـا ضـریب همبـستگی ٠/٩٠٧ و جذر میانگین مربعات خطای ٠/٠١٤، بهترین مدل پیش بینی بارش در ایـن تحقیـق شـناخته شدند.
خلاصه ماشینی:
ازجمله روشهای کارآمد که امروزه برای پیش بینی بـارش بـه عنـوان یـک فرایند نامنظم اهمیت دارد، شبکه های عصبی مصنوعی ANN١ است که به عقیـدة کارشناسـان، علـت اصـلی پذیرش و استفادة روزافزون از آن، قدرت و سرعت زیاد در شبیه سازی فرایندهایی است که درک و شـناخت درستی از آن وجود ندارد یا بررسی آنها با دیگر روشهای موجود، بسیار دشوار و وقت گیر می باشد (قلـی - زاده و دارند، ١٣٨٨، ص.
در این بررسی سعی شده است تـا در سـه ایـستگاه کرمـان، بافـت و میانـده جیرفت ، توسط شبکه های عصبی توابع شعاعی ٢ و شبکه های عصبی پرسپترون٣، بـه شـبیه سـازی و تخمـین بارش پرداخته شود و سپس ، مقایسه ای بین پاسخ دو شبکة ذکرشده انجام گیرد تا مشخص گردد کدام شـبکه کارایی و دقت بیشتر و خطای کمتری در پیش بینی بارش روزانة ایستگاههای موردمطالعه دارد.
Jayawardena , Fernando, & Zhou به بررسی شبکه های RBF و MLP پرداختند وبه این نتیجه رسیدند که RBF نسبت بـه پرسـپترون بـا سرعت و دقت بیشتری سیل را پیش بینی می کند.
دراین زمینه پژوهش های مشابه دیگری ازجمله نعمتـی و رعنـایی (١٣٨٦)، اژدرپـور (١٣٨٧)، حلبیـان (١٣٨٨)، خوشحالدستجردی (١٣٨٩)، افخمی ، دستورانی ، ملکی نژاد، و مبین (١٣٨٩)، خـسروی و شـکیبا (١٣٨٩)، بنی حبیب ، ولی پور، و بهبهانی (١٣٩٠)، خلیلی ، خداشـناس، دواری، و موسـوی بـایگی (١٣٨٩)، 1.
١. ارزیابی نتایج شبکة عصبی MLP در این نوع شبکه ، مدلهایی که توانسته اند ضریب همبستگی ٠/٧ و بیشتر را به دست آورند، بـه عنـوان ورودی های مؤثر معرفی می شوند که رطوبت نسبی از تأثیر زیادی برخوردار است (جدول ٣).