شبکههای عصبی مصنوعی بهعنوان یکی از تکنیکهای غیرخطی در مطالعات اقلیمی و هیدرولوژی اهمیت فراوانی بهخود اختصاص دادهاند. تغییراقلیم و بهدنبال آن گرمایش جهانی از پدیدههای اقلیمی به شمار میرود. شمار روزهای خشک و تداوم آن خشکسالی را بهدنبال دارد. در این پژوهش از دادههای بارش روزانه طی سالهای (1976-2008) و شبکه عصبی ...
بیشتر
شبکههای عصبی مصنوعی بهعنوان یکی از تکنیکهای غیرخطی در مطالعات اقلیمی و هیدرولوژی اهمیت فراوانی بهخود اختصاص دادهاند. تغییراقلیم و بهدنبال آن گرمایش جهانی از پدیدههای اقلیمی به شمار میرود. شمار روزهای خشک و تداوم آن خشکسالی را بهدنبال دارد. در این پژوهش از دادههای بارش روزانه طی سالهای (1976-2008) و شبکه عصبی مصنوعی در نرمافزار MATLAB بهمنظور پیشبینی شمار روزهای خشک ایستگاه تهران استفاده شده است. شبکه بهکار رفته از نوع Feed-forward با الگوریتم کاهش شیب و مارکوارت لونبرگ در مرحله آموزش و یادگیری میباشد. ساختارهای گوناگونی در لایه ورودی و پنهان در مرحله آموزش مورد آزمایش قرار گرفت. در نهایت شبکه با 4 ورودی و 5 نرون در لایه پنهان و 1 نرون در لایه خروجی به مطلوبترین ساختار (1-5-4) جهت پیشبینی بهینه با بیشترین همبستگی پاسخ داد. نتایج نشان داد که در ایستگاه مذکور، روزهای خشک پیشبینی شده توسط شبکه در مقایسه با طول دوره آماری مورد بررسی دارای روند افزایشی بوده است که با محاسبه احتمال وقوع روزهای خشک، طی سالهای (2018-2009) با استفاده از زنجیره مارکوف، موارد فوق تأیید گردیده است. ضریب همبستگی مقادیر پیشبینی روزهای خشک بدون ترکیب با الگوریتم ژنتیک 86 درصد است. بعد از آموزش شبکه با ترکیب الگوریتم ژنتیک با لایههای مختلف این مقدار به 88درصد رسید که میتوان گفت در صورت ترکیب شبکه با الگوریتم مذکور نتایج قابل قبول ارائه میدهد.