عاطفه بغدادی - دانشجوی کارشناسی ارشد مهندسی منابع آب دانشگاه ملایر
مریم بیات ورکشی - استادیار مهندسی منابع آب دانشگاه ملایر

پیش بینی بارش به عنوان مهمترین پارامترهای هواشناسی و هیدرولوژی نقش بسزایی در مدیریت منابع آب هر منطقه ایفا می کند. در این مطالعه، با مد نظر قرار دادن داده های هواشناسی طی دوره آماری 54 ساله (1956 تا 2010) شهرستان رشت، کاربرد ساختارهای مختلف شبکه عصبی مصنوعی در تخمین بارش با استفاده از داده های هواشناسی بارشی و غیربارشی مورد بررسی قرار گرفت. نتایج آزمون همبستگی پیرسون نشان داد که پارامترهای هواشناسی دمای رو انه، دمای خشک، حداکثر دمای روزانه، دمای نقطه شبنم و میانگین فشار بخار آب، بیشترین همبستگی را با بارش منطقه مورد مطالعه داشتند. اجرای ساختارهای مختلف شبکه عصبی مصنوعی نشان داد ساختار 1-6-5 با الگوریتم آموزشی لونبرگ مارکوات و تابع محرک سیگموئید، کمترین خطا (NRMSE=0/18 و MBE=16/47 و MAE=185/58) را در برآورد بارش داشته است. بکارگیری داده های بارندگی گام های مانی قبل به عنوان ورودی شبکه عصبی مصنوعی نشان داد ساختار 1-3-3 با قانون آموزشی لونبرگ مار کوات و تابع محرک تانژانت، کمترین NRMSE و MBE و MAE به ترتیب با مقادیر 0/14 و 28/57 میلی متر و 144/75 میلی متر، نسبت به سایر ساختارها داشتند. در مجموع می توان اظهار داشت بکارگیری داده های هواشناسی بارشی به عنوان ورودی شبکه عصبی مصنوعی نسبت به داده های ورودی غیر بارشی، دقت بیشتری در برآورد بارش منطقه مورد مطالعه دارد.

بارش، شبکه عصبی مصنوعی، سری مانی ، رشت