روش های مختلفی به منظور پیش بینی وضعیت بارش، وجود دارد. استفاده از مدل های عددی پیچیده ای نظیرMM5 که به عنوان یک ابزار کا ر آمد مطرح می باشند، از جمله روش های موجود است. با این حال وجود عبارت های غیر خطی پیچیده در معادلات حاکم، مدل سازی بارش را امری مشکل نموده است. یکی دیگر از روش‌های مدل‌سازی رفتار بارش، شبکه‌های عصبی مصنوعی است که از مؤلفه‌های هوش مصنوعی محسوب می‌شود. در این گونه مدل‌ها بدون در نظر‌گرفتن معادلات پیچیده غیرخطی، می‌توان دینامیک حاکم بر سیستم را استخراج نموده و از این طریق، خروجی‌های مدل را پیش‌بینی نمود. بنابراین با هدف ساده سازی پیش بینی بارش، در این تحقیق، با استفاده از اطلاعات بارش ماهانه 53 سال آماری (1382-1330) در ایستگاه سینوپتیک مشهد، مدل‌سازی و سپس پیش‌بینی بارش ماهانه به کمک شبکه های عصبی مصنوعی صورت گرفته است. از مجموع 636 داده بارش، 550 داده برای آموزش و آزمون حین آموزش و بقیه داده ها برای صحت سنجی مدل ها بکار رفته اند. شبکه عصبی مورد استفاده، شبکه پرسپترون پیشخور سه لایه با پس انتشارخطا می‌باشد که از الگوریتم کاهش گرادیان به منظور آموزش آن استفاده شده است. برای انجام کار پس از بررسی و آزمون و خطای بسیار، دو توپولوژی (1-3-5) و (1-4-7) بر اساس مناسب ترین پارامت ها برای شبکه های عصبی انتخاب شد. بدین منظور، از امکانات و توابع موجود در محیط برنامه‌نویسی نرم‌افزار MATLAB، بهره گرفته شد. پس از بررسی معیار های آماری برازش، از جمله ضرایب روابط رگرسیونی بین مقادیر واقعی و پیش‌بینی شده بارش، ضریب همبستگی(R) و همچنین میانگین مجذور مربعات خطا (RMSE)، مشاهده شد که پیش‌بینی ماهانه بارش، با دقت قابل قبولی انجام شده است. چنان‌چه به طور مثال در بهترین مدل، میزان ضریب همبستگی و میانگین مجذور مربعات خطا ، به ترتیب 92/0 و 00/1 میلی‌متر به دست آمده است.

کلمات کلیدی