فهرست نشریات علمی دسترسی آزاد ایران

پیش­بینی بارش از نقش مهمی در حفظ، مدیریت، تخصیص و توزیع منابع آب، تعیین حجم تأسیسات آبی،  تأمین نیاز آبی محصولات و همچنین تعیین مقدار فرسایش و رسوب برخوردار است. روش‌های مختلفی جهت پیش­بینی بارش وجود دارد. این پژوهش با هدف بررسی عملکرد شبکه­های عصبی مصنوعی در پیش­بینی بارش ماهانه بر اساس اطلاعات اقلیمی و جغرافیایی نظیر دمای حداقل و حداکثر، رطوبت حداقل و حداکثر، بارش، طول و عرض جغرافیایی و ارتفاع از سطح دریا در سطح ۲۳ ایستگاه استان فارس اجرا گردید. نتایج در سطح ۵، ۱۰ و ۱۸ داده ورودی نشان داد با افزایش تعداد ورودی دقت مدل در تخمین میزان بارش ماهانه افزایش می­یابد. دقیق­ترین مدل شبکه عصبی در روش نرمال­سازی رتبه­ای با یک لایه مخفی و بهترین ساختارهای شبکه نیز به­ترتیب در ساختار 1-25-5، 1-30-10 و ۱-۲۰-۱۸ می­باشد. نتایج نشان داد که شبکه عصبی با ۱۸ ورودی دارای کوچک­ترین MSE=0.032 و بالاترین R=0.62 می­باشد. بهترین روش برای نرمال­سازی، روش رتبه­ای با شبکه عصبی بهینه یک لایه و ساختار 1-25-5 و الگوریتم آموزش لونبرگ- مارکوارت و تابع محرک تانژانت سیگموئید می­باشد. بنابراین با استفاده از شبکه عصبی­مصنوعی (با ۱۸ ورودی معرفی شده) می­توان مقدار و توزیع بارش ماهانه منطقه وسیعی را با دقت قابل قبولی پیش­بینی نمود. این موضوع نقش بسیار تعیین­کننده­ای در مدیریت و برنامه­ریزی منابع آب شرب و کشاورزی ایفا می­کند؛ به­طوری­که می­توان با در نظر گرفتن این پیش­بینی­ها، سیاست­های آینده را در جهت بهینه­سازی صرف هزینه­ها و امکانات بهره­وری حداکثر طرح­ریزی کرد.