یپش بینی بارش سالانه اهمیت فراوانی برای مدیریت منابع آب و طرح الگوی کشت دارد. به منظور برآورد بارش در محل های فاقد اندازه گیری می توان از روش تخمین کلاسیک، روشهای زمین آماری، روش رگرسیون خطی چندمتغیره، شبکه های 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 74 ایستگاه (مطابق با 52سال دوره آماری از 5632تا )5631در استان خراسان رضوی استفاده شد. بالاترین همبستگی بین متوسط بارش سالانه (به عنوان متغیر وابسته) و سه متغیر ارتفاع و مختصات جغرافیایی ایستگاهها (به عنوان متغیرهای مستقل) بود. نتایج نشان داد که به کارگیری ارتفاع تأثیری در نتایج پیش بینی حاصل از روش IDWندارد. مقدار دامنه تأثیردر روش های SKو OKبرابر 61/5کیلومتر بود در صورتیکه در روش کوکریجینیگ معمولی ( )OCKبه 71کیلومتر افزایش یافت که وابستگی بالاتر بارش به ارتفاع را در مفهوم مکانی تایید می کند. پارامترهای سقف، اثر قطعه ای، دامنه تأثیر و اثر قطعه ای نسبی مربوط به مدل نیم تغییرنما برای سالهای مختلف کاملاً متفاوت بودند که الگوی فضایی و زمانی بارش در سطح مورد مطالعه را نشان می دهد. بهترین نتایج مربوط به RKو SKVبودند. 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 شبکه های عصبی با ورودی های مختلف، شبکه عصبی بهینه با سه ورودی طیول جغرافیایی، عرض جغرافیایی و ارتفاع در هر ایستگاه و با ساختار 6-3-5و با تکنیک یادگیری مارکوا - لونبرگ انتخاب گردید. بالاترین ضریب همبستگی و کمترین میزان خطا مربوط به روش شبکه عصبی مصنوعی بود. بنابراین آن به عنوان بهترین روش در این مطالمه انتخاب شد.

کلمات کلیدی