فهرست نشریات علمی دسترسی آزاد ایران

امروزه انواع شبکه­های عصبی مصنوعی در حوزه‌های مختلف علوم جو و اقلیم­شناسی برای اهدافی نظیر طبقه­بندی، رگرسیون و پیش­بینی استفاده می‏شوند. اما سوال اساسی در استفاده از شبکه­های عصبی مصنوعی، نحوه طراحی و معماری آنهاست. یکی از نکات مهم در استفاده از شبکه­های عصبی مصنوعی که باید مد نظر طراحان قرار بگیرد، انتخاب الگوریتم مناسب برای آموزش شبکه است. در این مقاله، شش روش مختلف آموزش شبکه عصبی پرسپترون چند لایه شامل روش‌های منظم‌‌سازی بیزی، لِوِنبرگ-مارکوات و گرادیان مزدوج پاول-بل، الگوریتم شبه‌نیوتنی BFGS، گرادیان مزدوج فلچر-پاول و گرادیان مزدوج مقیاس‌شده برای پیش­بینی ماهانه بارش کشور مورد بررسی و مقایسه قرار می‌گیرند. برای این منظور، یک شبکه عصبی پرسپترون برای پس پردازش خروجی بارش ماهانه مدل ECMWF طراحی می‏شود که برای آموزش آن از داده‏های ERA5 و روش‌های آموزش مختلف استفاده می‏شود. برای بررسی عملکرد شش روش آموزش مختلف، مقدار سه شاخص ضریب همبستگی، میانگین مربعات خطا و نیز شاخص نش-ساتکلیف برای هر مدل محاسبه شد. همچنین، عملکرد روش‌های مذکور در مناطق جغرافیایی مختلف کشور برای ماه ژانویه، به‌عنوان نمونه، مورد ارزیابی قرار گرفت. نتایج حاصل از مقایسه شاخص‌ها نشان داد که عملکرد دو روش منظم‌‌سازی بیزی و لِوِنبرگ-مارکوات، در مقایسه با چهار روش دیگر برای آموزش شبکه عصبی بهتر است. همچنین این دو روش توانستند، در مقایسه با داده‏های مدل ECMWF، قبل از پس پردازش، نتایج با دقت بیشتری را به‌دست آورند.