فهرست نشریات علمی دسترسی آزاد ایران

به‌منظور بازسازی داده‌ بارندگی در مناطق فاقد ایستگاه هواشناسی، از انواع روش‌های سنتی شامل درون‌یابی مکانی و رگرسیون آماری استفاده می‌شود. این روش‌ها برای تخمین بارش از داده‌های زمینی به ویژه داده‌های بارش ایستگاه‌ها استفاده می‌کنند. برای مناطقی که یا فاقد ایستگاه باران‌سنجی هستند و یا تعداد ایستگاه‌ها در آنجا کم است و همچنین در ماه‌های گرم سال که بارش‌ها بیشتر همرفتی و رگباری می‌باشند تخمین بارش تنها با داده‌های زمینی با خطای بالایی همراه می‌باشد. روش‌های جدید برای برآورد بارش، استفاده از داده‌های زمینی و ماهواره‌ای با کمک مدل‌های یادگیری ماشین از جمله شبکه‌های عصبی می‌باشد. در این پژوهش، از داده‌های بارش روزانه ایستگاه‌های سینوپتیک هواشناسی طی بازه زمانی 4 ساله از ابتدای سال 2019 تا انتهای سال 2022 در محدودة ایران مرکزی و حوضه آبریز مرکزی ایران استفاده شده است. دمای روشنایی ماهواره‌‌های نسل دوم متئوست 8 و 9 در دو کانال فروسرخ با طول موج‌های 11 و 7/6 میکرومتر همراه با مشخصات جغرافیایی ایستگاه‌های هواشناسی شامل ارتفاع، طول و عرض جغرافیایی به‌منزلة متغیرهای ورودی و بارش ثبت شده در ایستگاه‌ها به‌منزلة متغیرهای خروجی مدل‌های شبکه عصبی در نظر گرفته شده است. برای توسعه و آموزش مدل‌های شبکه عصبی، 75 درصد از داده‌ها، روزهای بارشی، به‌منظور آموزش مدل، 15 درصد برای اعتبارسنجی و 10 درصد برای آزمون نهایی مدل اختصاص یافته است. میانگین ضریب همبستگی بین بارش‌های روزانه ایستگاهی و بارش برونداد مدل‌ها، برای شبکه عصبی پرسپترون با دولایه پنهان 65/0، مدل شبکه عصبی رگرسیون تعمیم یافته 55/0 و برای مدل سیستم استنتاج فازی-عصبی تطبیقی 47/0 به دست آمده است. مقایسه‌ها نشان می‌دهد که هر سه مدل در بارش‌های نزدیک به 3 میلی‌متر، تخمینی با صحت 90 درصد به بالا در قیاس با بارش روزانة ایستگاه‌ها را دارند. با توجه به توزیع غیر نرمال باچولگی مثبت بارش ایستگاه‌ها، تخمین مدل‌ها در بارش‌های زیاد دارای بیشترین خطا می‌باشد.