محمدرضا گلابی - کارشناسی ارشد مهندسی منابع آب، دانشگاه شهید چمران اهواز
علی محمد آخوندعلی - استاد گروه هیدرولوژی و منابع آب، دانشگاه شهید چمران اهواز
فریدون رادمنش - استادیار گروه هیدرولوژی و منابع آب، دانشگاه شهید چمران اهواز

بارندگی یکی از اجزای اصلی چرخه­ی هیدرولوژی است. این فرآیند پیچیده به عوامل متعدد اقلیمی وابسته است. شبکه های عصبی مصنوعی در چند دهه اخیر و در مطالعات صورت گرفته برای مدل سازی سیستم های پیچیده و غیر خطی قابلیت بسیار بالایی از خود نشان داده است. تحقیق حاضر در سه ایستگاه منتخب از استان خوزستان صورت گرفته است. برای این منظور از داده­های بارندگی ماهانه سه ایستگاه هواشناسی استان به مدت ۴۸سال، (۱۳۴۰-۱۳۸۷)، استفاده شده است. سپس با استفاده از این مقادیر به عنوان خروجی­های هدف، شبکه­های مختلفی با ساختار­های متفاوت تعریف و آموزش داده شد. در نهایت قابلیت شبکه برای تخمین بارش با استفاده از قسمتی از داده­ها که در آموزش شبکه وارد نشدند، مورد بررسی قرار گرفت. در این تحقیق شبکه­های MLP و RBF با تغییراتی در تعداد لایه­های میانی، تعداد نرون­ها و الگوریتم­های آموزش  MOMو LM وCG  به منظور پیش­بینی بارش فصلی به کار گرفته شد. نتایج نشان داد که برای ایستگاه اهواز شبکه RBF با توپولوژی ۱-۴-۶ و یادگیریLM  دارای بیشترین مقدار ضریب همبستگی برابر ۹۶/۰ و کمترین MSE برابر ۰۴۴/۰ است. برای ایستگاه آبادان شبکه RBF با توپولوژی ۱-۷-۶-۶ و یادگیریLM  دارای بیشترین مقدار ضریب همبستگی برابر ۹۲/۰ و کمترین MSE برابر ۰۶۲/۰ است. برای ایستگاه دزفول شبکه MLP با توپولوژی ۱-۴-۳-۶ و یادگیریLM  دارای بیشترین مقدار ضریب همبستگی برابر ۹۴/۰ و کمترین MSE برابر ۰۳۴/۰ است.  

شبکه­های عصبی مصنوعی, بارش فصلی, منابع آب, استان خوزستان