فهرست نشریات علمی دسترسی آزاد ایران

اهمّیّت پیش‌بینی بارش به عنوان مهم‌ترین عنصر اقلیمی و مبنای تمام برنامه‌ریزی‌ها، به‌ویژه در مناطقی که رژیم‌های بارش تغییرات معنی‌دار دارد، بر هیچ‌کس پوشیده نیست. استفاده از شبکه‎های عصبی مصنوعی یکی از روش‎های پیش‎بینی است که در سال‎های اخیر توسعۀ زیادی یافته است. در این پژوهش برای پیش‎بینی بارش‎های سال بعد در دو ایستگاه سینوپتیک کرمانشاه و نوژۀ همدان از داده‎های برخی از عناصر اقلیمی فصول سرد سال قبل استفاده شد. به این منظور، سری‎های زمانی هفت عنصر اقلیمی شامل میانگین دما، بارش، رطوبت نسبی، نسبت مخلوط، فشار بخار، دمای نقطۀ شبنم و فشار سطح دریا به عنوان ورودی به شبکه‎های عصبی وارد گردید. خروجی شبکه‎ها، بارش سال بعد در نظر گرفته شد. با توجّه به ماهیت غیرخطّی عناصر اقلیمی منتخب در این تحقیق، از شبکه‎های پرسپترون چندلایهاستفاده شد که از انواع شبکه‎های پیشرو با الگوریتم‎های آموزشی نظارتی و مناسب داده‎های غیرخطّی است. برای آموزش شبکه‎ها از دو ردۀ الگوریتم آموزشی دیگر، شامل الگوریتم‎های آموزشیBP  و الگوریتم نرمال‎سازی اعداد استفاده شد. در نهایت، ترکیب این الگوریتم‎ها منجر به تولید 720 شبکۀ آموزشی در دو ایستگاه شد. نتایج تحقیق نشان داد شبکۀ عصبی مصنوعی در هر دو ایستگاه به طرز مناسبی مقادیر بارش سالانه را پیش‎بینی می‎کند. بهترین پیش‎بینی در ایستگاه کرمانشاه مربوط به تابع آموزشیtraingd  با الگوریتم نرمال‎سازی میانگین و انحراف معیار با خطای آزمایش معادل 0195/0 در دورۀ سرد سال (پاییز و زمستان)، و در ایستگاه نوژۀ همدان مربوط به تابع آموزشی traingdx با الگوریتم نرمال‌سازی 06/0 pca با خطای آزمایش معادل 0047/0 در فصل زمستان است.