چکیده:
گسترش سریع استفاده از شبکه های عصبی مصنوعی (ANN) به عنوان مدل تجربی و کارآمد در علوم مختلف از جمله هواشناسی و اقلیم شناسی نشان دهنده ضرورت ارزش بالای مطالعه این مدل هاست. پیش بینی بارش برای اهداف مختلفی نظیر برآورد سیلاب، خشکسالی، مدیریت حوضه آبریز، کشاورزی و ... دارای اهمیت بسیاری است. هدف این مقاله پیش بینی بارش ماهانه با استفاده از شبکه های عصبی مصنوعی در شهر تهران می باشد. در این تحقیق از داده های بارش ماهانه طی دوره آماری 53 سال (1951-2003) و شبکه های عصبی مصنوعی به عنوان یک روش غیرخطی 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 ارایه می کند. ضریب همبستگی بین مقادیر واقعی ماهانه بارش و پیش بینی شده توسط شبکه بدون ترکیب با الگوریتم ژنتیک برابر با 88/0 و ضریب تعیین برابر با 77/0 می باشد. 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 ارایه می کند. ضریب همبستگی بین مقادیر واقعی ماهانه بارش و پیش بینی شده توسط شبکه برابر با 91/0 و ضریب تبیین برابر با 83/0 می باشد.
خلاصه ماشینی:
"شکل 8 پراکنش نگار و خط برازش یافته بین مقادیر واقعی ماهانه بارش و پیشبینی شده توسط شبکه بدون ترکیب با الگوریتم ژنتیک را نشان میدهد که ضریب بدست آمده برابر با 0/88 و ضریب تعیین برابر با 0/77 میباشد.
همانطور که مشخص است شبکه عصبی مصنوعی توانسته است که روند غیر خطی میزان بارش را با توجه به آموزشی که به شبکه داده شده است بهتر از آموزش شبکه بدون ترکیب با الگوریتم ژنتیک را پیدا کند.
شکل 11 پراکنشنگار و خط برازش یافته بین مقادیر واقعی ماهانه بارش و پیشبینی شده توسط شبکه در ترکیب با الگوریتم ژنتیک را نشان میدهد که برابر با 0/19 و ضریب تبیین برابر با 0/38 میباشد.
نتایج این مطالعه بعد از آزمون شبکه با لایههای پنهان و با ضرایب یادگیری مختلف نشان داد که استفاده از شبکههای عصبی مصنوعی با یک پرسپترون 2 لایه پنهان با ضریب یادگیری 0/1 و مومنتم 0/7 در حالتی که نمونههای بصورت منظم قرار گرفته مدل نسبتا بهتری را ارائه میکند بدین معنی که دادههای پیشبینی شده بارش ماهانه توسط شبکه با چنین ساختار و معماری،بیشتر با واقعیت انطباق دارد.
ضریب همبستگی بین مقادیر واقعی ماهانه بارش و پیشبینی شده توسط شبکه بدون ترکیب با الگوریتم ژنتیک برابر با 0/88 و ضریب تعیین برابر با 0/77 میباشد همچنین آموزش مجدد شبکه با لایههای پنهان و ضرایب مختلف یادگیری در ترکیب با الگوریتم ژنتیک نشان داد که ترکیب شبکه با ویژگیهای مذکور با الگوریتم ژنتیک باعث کاهش خطا و افزایش سرعت محاسبات شده و مدل بهتری را ارائه میکند."