چکیده:
بارش یکی از مهمترین داده های ورودی به سیستم های هیدرولوژیکی محسوب می شود که مطالعه و اندازه گیری آن در اکثر موارد برای مطالعات رواناب، خشکسالی، آبهای زیرزمینی، سیلاب، رسوب و ... لازم و ضروری است. هدف این مقاله پیش آگاهی مقادیر بارش ماهانه یزد با استفاده از شبکه های عصبی مصنوعی است. در این تحقیق از داده های بارش ماهانه طی دوره آماری 53 سال (1950-2003) و شبکه های عصبی مصنوعی به عنوان یک روش غیر خطی جهت پیش بینی بارش استفاده شده است. نتایج این تحقیق بعد از آزمون شبکه با لایه های پنهان و با ضرایب یادگیری مختلف نشان داد که استفاده از شبکه های عصبی مصنوعی با یک پرسپترون 2 لایه پنهان با ضریب یادگیری 1/0 و مومنتم 7/0 مدل نسبتا بهتری را ارائه می کند و همچنین بعد از آموزش مجدد شبکه و آزمون شبکه با لایه های پنهان و ضرایب مختلف یادگیری در ترکیب با الگوریتم ژنتیک نشان داد که ترکیب شبکه با ویژگی های مذکور با الگوریتم ژنتیک باعث کاهش خطا و افزایش سرعت محاسبات شده و مدل بهتری را ارائه می کند. لازم به ذکر است که تصادفی کردن داده ها برای آموزش شبکه باعث افزایش دقت و بهتر بودن مدل می شود.
خلاصه ماشینی:
پیش آگاهی و برآورد بارش یزد با استفاده از شبکه های عصبی مصنوعی * دکتر امیر حسین حلبیان : استادیار اقلیم شناسی دانشگاه پیام نور اصفهان چکیده بارش یکی از مهمترین داده های ورودی بـه سیـستم هـای هیـدرولوژیکی محسوب می شود که مطالعه و اندازه گیری آن در اکثر موارد برای مطالعـات روانـاب ، خشکسالی ، آبهای زیرزمینی ، سیلاب ، رسوب و ...
در این تحقیق از داده های بارش ماهانه طی دوره آماری ٥٣ سال (١٩٥٠-٢٠٠٣) و شبکه های عصبی مصنوعی به عنوان یک روش غیر خطی جهت پیش بینـی بـارش استفاده شده است .
واژگان کلیدی : بارش ، پیش آگاهی ، شبکه های عصبی مصنوعی ، الگوریتم ژنتیک ، یزد * این پژوهش با استفاده از اعتبارات دانشگاه پیام نورانجام شده است .
میثاقی (١٣٨٢) از توسعه الگوریتم ترکیبی زمین آمار و شبکه های عصبی مصنوعی بمنظور استخراج توزیع مکانی 1 - Tokar and Johnson 2 - Hall et al 3- Trafalis 4 -Ievenberg_Marqurdt 5 - Hastenrath and Greischar بارندگی استفاده کرد و به این نتیجه رسید که روش های زمین آماری و تخمینگر های کریجینک و کوکریجینگ نتایج برتری را نشان می دهد.
شکل ٨ پراکنش نگار و خط برازش یافته بین مقادیر واقعی ماهانه بارش و پیش آگاهی شده توسط شبکه در ترکیب با الگوریتم ژنتیک را نشان می دهد که برابر با ٠/٥٦ و ضریب تبیین برابر با ٠/٣١ می باشد.
همانطور که ملاحظه می شود ضریب همبستگی بین مقادیر پیش بینی شده توسط شبکه در حالت قرار گیری منظم داده ها و بدون ترکیب با الگوریتم ژنتیک با داده های واقعی بارش برابر با ٠/٦٥ و ضریب تعیین برابر با ٠/٤٣ می باشد(شکل ١٥).