مریم بیات ورکشی

پیش بینی بارش به عنوان مهم ترین پارامترهای هواشناسی و هیدرولوژی نقش بسزایی در مدیریت منابع آب هر منطقه ایفا می کند. در این مطالعه، با مد نظر قرار دادن داده های هواشناسی طی دوره آماری 54 ساله (1956 تا 2010) شهرستان رشت، کاربرد ساختارهای مختلف شبکه عصبی مصنوعی در تخمین بارش با استفاده از داده های هواشناسی بارشی و غیربارشی مورد بررسی قرار گرفت. نتایج آزمون همبستگی پیرسون نشان داد که پارامترهای هواشناسی دمای روزانه، دمای خشک، حداکثر دمای روزانه، دمای نقطه شبنم و میانگین فشار بخار آب، بیشترین همبستگی را با بارش منطقه مورد مطالعه داشتند. اجرای ساختارهای مختلف شبکه عصبی مصنوعی نشان داد ساختار 1-6-5 با الگوریتم آموزشی لونبرگ مارکوات و تابع محرک سیگموئید، کمترین خطا (18/0NRMSE=،47/16 MBE= و 58/185MAE=) را در برآورد بارش داشتند. بکارگیری داده های بارندگی گام های زمانی قبل به عنوان ورودی شبکه عصبی مصنوعی نشان داد ساختار 1-3-3 با قانون آموزشی لونبرگ مارکوات و تابع محرک تانژانت، کمترین NRMSE ، MBE و MAE به ترتیب با مقادیر 14/0، 57/ میلی متر28و 75/144میلی متر، نسبت به سایر ساختارها داشتند. در مجموع می توان اظهار داشت بکارگیری داده های هواشناسی بارشی به عنوان ورودی شبکه عصبی مصنوعی نسبت به داده-های ورودی غیربارشی، دقت بیشتری در برآورد بارش منطقه مورد مطالعه دارد.