فهرست نشریات علمی دسترسی آزاد ایران

پیش­بینی بارش سالانه اهمیت فراوانی برای مدیریت منابع آب و طرح الگوی کشت دارد. به­منظور برآورد بارش در محل­های فاقد اندازه­گیری می­توان از روش تخمین کلاسیک، روش­های زمین­آماری، روش رگرسیون خطی چندمتغیره، شبکه­های عصبی مصنوعی و روش ترکیبی شبکه عصبی مصنوعی – کریجینگ استفاده کرد. در این تحقیق متغیرهای ورودی غیراقلیمی از قبیل مختصات جغرافیایی و ارتفاع و میانگین بارش سالانه 47 ایستگاه (مطابق با 25 سال دوره آماری از 1365 تا 1390) در استان خراسان رضوی استفاده شد. بالاترین همبستگی بین متوسط بارش سالانه (به­عنوان متغیر وابسته) و سه متغیر ارتفاع و مختصات جغرافیایی ایستگاه­ها (به­عنوان متغیرهای مستقل) بود. نتایج نشان داد که به­کارگیری ارتفاع تأثیری در نتایج پیش­بینی حاصل از روشIDW ندارد. مقدار دامنه تأثیردر روش­های SK و OK برابر 2/30 کیلومتر بود در صورتی­که در روش کوکریجینگ معمولی (OCK) به 40 کیلومتر افزایش یافت که وابستگی بالاتر بارش به ارتفاع را در مفهوم مکانی تایید می­کند. پارامترهای سقف، اثر قطعه­ای، دامنه تأثیر و اثر قطعه­ای نسبی مربوط به مدل نیم تغییرنما برای سال­های مختلف کاملاً متفاوت بودند که الگوی فضایی و زمانی بارش در سطح مورد مطالعه را نشان می­دهد. بهترین نتایج مربوط به RK و SKV بودند. ساختار شبکه عصبی مورد استفاده در این مطالعه از نوع پرسپترون چند لایه با توابع انتقال تانژانت سیگموئید و خطی بود. پس از طراحی و آزمون شبکه­های عصبی با ورودی­های مختلف، شبکه عصبی بهینه با سه ورودی طول جغرافیایی، عرض جغرافیایی و ارتفاع در هر ایستگاه و با ساختار 1-6-3 و با تکنیک یادگیری مارکوات- لونبرگ انتخاب گردید. بالاترین ضریب همبستگی و کم­ترین میزان خطا مربوط به روش شبکه عصبی مصنوعی بود. بنابراین آن به­عنوان بهترین روش در این مطالعه انتخاب شد.