پیش بینی بارش، به عنوان یکی از مهم ترین متغیرهای اقلیمی در حوزه مدیریت منابع آب از اهمیت ویژه ای برخوردار است. از طرفی، وجود رابطه های غیرخطی پیچیده در معادلات حاکم، مدل سازی بارش را امری مشکل نموده است از اینرو امروزه محققین با ابداع روش های مستقل از مدل های دینامیکی سیستم، در جستجوی راه هایی به منظور شناخت و پیش بینی بهتر متغیرهای مهم هواشناسی از جمله بارش می باشند. یکی از این روش ها، شبکه های عصبی مصنوعی است که از مولفه های هوش مصنوعی محسوب می شود. در این تحقیق، پیش بینی بارش روزانه به کمک شبکه های عصبی مصنوعی صورت گرفته است. برای این منظور از اطلاعات بارش روزانه 23 سال آماری (1383-1361) ماه مارس به عنوان ماه مرطوب و ماه های می و دسامبر به عنوان دو ماه متوسط از نظر رطوبتی، در ایستگاه سینوپتیک مشهد استفاده شده است. از مجموع 713 داده بارش، 580 داده برای آموزش و آزمون حین آموزش و بقیه داده ها برای صحت سنجی مدل ها استفاده شد. شبکه عصبی مورد استفاده، شیوه ای جدید از شبکه پرسپترون پیشخور سه لایه با پس انتشار خطا می باشد که از الگوریتم کاهش گرادیان به منظور آموزش آن استفاده شده است. در این رابطه، پس از بررسی و آزمون و خطای بسیار، دو توپولوژی GS 521 و GS 651 برای ماه مارس، GS 541 و GS 681 برای ماه می و GS 571 و GS 631 برای ماه دسامبر، بر اساس مناسب ترین پارامترها برای شبکه های عصبی انتخاب شد. بدین منظور، از امکانات و توابع موجود در محیط برنامه نویسی نرم افزار MATLAB، بهره گرفته شد. ضریب همبستگی (R)، میانگین مجذور مربعات خطا (RMSE) و میانگین خطای مطلق (MAE)، در بهترین مدل ها به ترتیب برای ماه مارس، 0.89، 0.14 و 1.15 میلی متر، برای ماه می 0.85، 0.14 و 1.16 میلی متر و برای ماه دسامبر 0.86، 0.15 میلی متر و 1.17 میلی متر به دست آمده است که نشان از برآورد و شبیه سازی مناسب مدل ها دارد

کلمات کلیدی