چکیده:
بارش مهمترین سنجه¬ی هواشناسی و اقلیمی است. در این پژوهش به منظور پیش¬بینی بارش اصفهان از داده های بارش ماهانه¬ی ایستگاه همدید اصفهان در بازه¬ی آماری (1951-2009) به مدت 59 سال و به دلیل رفتار غیرخطی بارش از شبکه های عصبی مصنوعی جهت پیش¬بینی آن بهره گرفته شد. در این ارتباط، 70 درصد داده¬ها جهت آموزش شبکه و 30 درصد داده ها برای تست و اعتبار سنجی اختصاص داده شد. نتایج پژوهش بعد از آزمون شبکه با لایه های پنهان و با ضرایب یادگیری مختلف آشکار ساخت که استفاده از شبکه های عصبی مصنوعی با یک پرسپترون با 2 لایه پنهان و ضریب یادگیری 4/0 نسبت به سایر حالت¬ها و معماری شبکه، مدل نسبتا بهتری را ارائه می¬کند. به بیانی دیگر، داده¬های پیش بینی شده بارش ماهانه توسط شبکه با چنین ساختار و معماری، بیشتر با واقعیت انطباق دارد. آموزش مجدد شبکه و آزمون شبکه با لایه های پنهان و ضرایب مختلف یادگیری در ترکیب با الگوریتم ژنتیک نیز 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. بطور کلی می توان گفت که شبکه عصبی به خوبی رابطه غیر خطی بین مقادیر ماهانه بارش را با توجه به آموزش شبکه با خصوصیات ذکر شده، پیش بینی می کند. در عین حال، نتایج حاصل از تصادفی کردن داده¬ها تفاوتی چندانی با مرتب بودن داده¬ها برای آموزش شبکه ندارد.
خلاصه ماشینی:
نتایج ایشان نشان داد که مدل توسعه یافته ی شبکه های عصبی مصنوعی برای پیش بینی زمان واقعی بارش و مدیریت سیلاب در بانکوک تایلند مناسب است .
نتایج وی نشان داد که تکنیک شبکه های عصبی مصنوعی برای پیش بینی رواناب رودخانه بسیار مناسب تر و کارآمدتر از مدل رگرسیون کلاسیک است .
همچنین قویدل رحیمی (١٣٨٩) به کمک شبکه های عصبی مصنوعی اثر گرمایش جهانی بر ناهنجاریهای بارش سالانه ی جلفا را مطالعه کرد و به نتایجی مشابه دست یافت و نشان داد که روش پرسپترون چند لایه با چهار لایه مخفی و الگوریتم آموزش پس انتشار دارای قابلیت بسیار عالی در پیش بینی همبستگی بین سری هاست .
در عین حال ، از شبکه های عصبی مصنوعی به عنوان ابزاری نیرومند جهت پیش بینی مقادیر بارش طی زمان بهره گرفته شده است .
مقایسه داده های ماهانه بارش با میزان پیش بینی شده توسط شبکه در حالت قرارگیری منظم داده ها در ترکیب با الگوریتم ژنتیک در شکل ٣ نشان داده شده است .
R. Taha (2011) Artificial neural network technique for rainfall forecasting applied to Alexandria, Egypt, International Journal of the Physical Sciences Vol. 6(6), 1306-1316.
K. Tripathi (2008) An artificial neural network model for rainfall forecasting in Bangkok, Thailand, Hydrology and Earth Sciences Discussion, Vol. 5, 183-218.
Michihiro (2001) Prediction of Precipitation by A neural Network Method, Journal of Natural Disaster Science, Volume 23, Number 1, pp23-33.
Solamani, K (2009) Rainfall-runoff Prediction Based on Artificial Neural Network (A Case Study: Jarahi Watershed).