چکیده:
بارندگی یکی از اجزای اصلی چرخه ی هیدرولوژی است. این فرآیند پیچیده به عوامل متعدد اقلیمی وابسته است. شبکه های عصبی مصنوعی در چند دهه اخیر و در مطالعات صورت گرفته برای مدل سازی سیستم های پیچیده و غیر خطی قابلیت بسیار بالایی از خود نشان داده است. تحقیق حاضر در سه ایستگاه منتخب از استان خوزستان صورت گرفته است. برای این منظور از داده های بارندگی ماهانه سه ایستگاه هواشناسی استان به مدت 48سال، (1340-1387)، استفاده شده است. سپس با استفاده از این مقادیر به عنوان خروجی های هدف، شبکه های مختلفی با ساختار های متفاوت تعریف و آموزش داده شد. در نهایت قابلیت شبکه برای تخمین بارش با استفاده از قسمتی از داده ها که در آموزش شبکه وارد نشدند، مورد بررسی قرار گرفت. در این تحقیق شبکه-های MLP و RBF با تغییراتی در تعداد لایه های میانی، تعداد نرون ها و الگوریتم های آموزش MOMو LM وCG به منظور پیش بینی بارش فصلی به کار گرفته شد. نتایج نشان داد که برای ایستگاه اهواز شبکه RBF با توپولوژی 1-4-6 و یادگیریLM دارای بیشترین مقدار ضریب همبستگی برابر 96/0 و کمترین MSE برابر 044/0 است. برای ایستگاه آبادان شبکه RBF با توپولوژی 1-7-6-6 و یادگیریLM دارای بیشترین مقدار ضریب همبستگی برابر 92/0 و کمترین MSE برابر 062/0 است. برای ایستگاه دزفول شبکه MLP با توپولوژی 1-4-3-6 و یادگیریLM دارای بیشترین مقدار ضریب همبستگی برابر 94/0 و کمترین MSE برابر 034/0 است.
خلاصه ماشینی:
مقايسه عملکرد الگوريتم هاي مختلف شبکه عصبي مصنوعي در مدل سازي بارندگي فصلي مطالعه موردي؛ ايستگاههاي منتخب استان خوزستان دريافت مقاله :٩١/٥/١٦ پذيرش نهايي: ٩٢/٥/٢٤ صفحات:١٥١-١٦٩ 1 محمدرضا گلابي: کارشناسي ارشد مهندسي منابع آب، دانشگاه شهيد چمران اهواز Email:hamid_golabi65@yahoo.
شبکه عصبي بدون در نظر گرفتن هيچ فرضيه اوليه و دانش قبلي از روابط بين پارامترهاي مورد مطالعه ، قادر به پيدا کردن رابطه بين مجموعه 1 وروديها و خروجيها براي پيش بيني هر خروجي متناظر با ورودي دلخواه ميباشد.
اصغريمقدم و همکاران (١٣٨٧) از شبکه هاي عصبي مصنوعي و فرمول تجربي ارائه شده براي تعيين تعداد گرههاي مياني جهت تهيه مدل پيش بيني 1 بارش دشت تبريز استفاده کردند بر اساس نتايج بدست آمده، بهترين مدل از يک شبکه پيشرو با شش گره ورودي، يک گره خروجي، يک لايه مياني و الگوريتم لونبرگ-مارکوارت ٢ تشکيل شده است .
قويدل رحيمي (١٣٨٩) به کمک شبکه هاي عصبي مصنوعي اثر گرمايش جهاني بر ناهنجاريهاي بارش سالانه - ي جلفا را مطالعه کرد و نشان داد که روش پرسپترون چند لايه با چهار لايه مخفي و الگوريتم آموزش پس انتشار داراي قابليت بسيار عالي در پيش بيني همبستگي بين سريهاست .
( شکل (٧) براي ايستگاه اهواز و شکل (٨) براي ايستگاه آبادان و شکل (٩) براي ايستگاه دزفول) نتايج کارائي نسبي شبکه عصبي را در پيش بيني بارش فصلي نشان ميدهند و تبعيت ساختارهاي شبکه عصبي مصنوعي انتخاب شده براي ايستگاهها از فراز و نشيب هاي داده هاي تاريخي قابل قبول ميباشد.