شیرین شهرکی - دانشجوی کارشناس ارشد آبخیزداری دانشگاه زابل
احمد پهلوانروی - دانشیار گروه مرتع وآبخیزداری دانشگاه زابل
جمشید پیری - مربی گروه آبیاری و زهکشی دانشگاه زابل

برنامه ریزی و مدیریت در اغلب پروژه های منابع آب از قبیل سدها، مخازن، مهار سیلابها و کشاورزی نیاز به پیش بینی بارندگی در فواصل حداقل یک ماهه دارد. در این پژوهش کارایی مدل شبکه عصبی نسبت به رگرسیون خطی چند متغیره درپیش بینی بارندگی سالانه براساس داده های 30 سال مورد بررسی قرارگرفت. پس از رفع نواقص آماری و حذف داده های پرت، از آنها برای مدلسازی بارش با استفاده از روش شبکه عصبی مصنوعیANN و و روش رگرسیون خطی استفاده شد(استاندارد سازی داده ها). در پیشبینی توسط مدل هوشمند ANN ، متغیرهای تبخیر، میانگین دما، میانگین رطوبت و میانگین سرعت باد به عنوان ورودی انتخاب شدند و بارندگی نیز به عنوان خروجی مدل در نظر گرفته شده است به این منظور مشخصات شبکه، مانند تعداد لایه های پنهان، تعداد نرونهای موجود در هر لایه پنهان، تابع فعالیت و الگوریتم آموزش با استفاده از بسته نرم افزاری MATLAB تعیین شد همچنین پیش بینی بارندگی ازطریق روشهای رگرسیون خطی در محیط نرم افزاری DATA FIT صورت گرفت نتیجه حاصل از برآورد بارندگی نشان از دقت خوب این مدل ها در تخمین بارندگی دارد و در بین آنها شبکه عصبی برآورد بهتری داشت. بطوریکه بر اساس نتایج آنالیز آماری در سه مرحله آزمایش با شبکه عصبی مقادیر معیارهایRMSE و MAE و D وR2 به ترتیب محاسبه گردید وبرای مدل شبکه عصبی این مقادیر کمتر از رگرسیون خطی چند متغیره میباشد،که نشان دهنده دقت بالای این مدل میباشد. براین اساس پیشنهاد میگردد جهت تخمین و پیشبینی بهتر بارندگی سالانه در این شهرها از روشهای پیش بینی بوسیله هوش مصنوعی استفاده گردد. در شبیه سازی با شبکه عصبی همبستگی خطی بین مقادیر پیش بینی شده بارش با مقادیر واقعی نبست به رگرسیون بیشتر میباشد. (دلیل برتری مدل شبکه عصبی)

پیش بینی بارش، شبکه عصبی مصنوعی، رگرسیون خطی چند متغیره