نوع مقاله : مقاله علمی پژوهشی

نویسندگان

• علیرضا ایلدرمی ¹
• حمید زارع ابیانه ²
• مریم بیات ورکشی ³

¹ استادیار گروه مهندسی آبخیزداری دانشکده محیط زیست و منابع طبیعی دانشگاه ملایر

² گروه مهندسی آبیاری دانشکده کشاورزی دانشگاه بوعلی سینا

³ گروه مهندسی آبیاری دانشگاه بوعلی سینا

چکیده

عنصر بارش ماهیت آشوبناکی و تصادفی داشته و از این نظر دارای تغییرات ساختاری در زمان­های مختلف است. در این راستا به­دلیل عدم قطعیت­هایی که وجود دارد، نوسان­های زیادی در مقدار بارش ایجاد می­شود که پیش­بینی این کمیت مهم را با مشکل مواجه نموده است. در این مقاله با تکنیک مقیاس­بندی مجدد (R/S) و محاسبه نمای هرست (H) پیش­بینی­پذیری بارش در سه منطقه شیراز، کرمان و مشهد انجام شد. نمای هرست نشان داد که پارامتر بارش قابلیت پیش­بینی­پذیری را دارد، زیرا H از 5/0 بزرگ­تر بوده و بمراتب به­مقدار 1 نزدیک­تر است. به­طوری­که نمای هرست از حداقل 8/0 در ایستگاه مشهد تا حداکثر 92/0 در ایستگاه شیراز در نوسان بود. به منظور پیش­بینی بارش از شبکه­های عصبی مصنوعی استفاده شد. نوع پارامترهای ورودی براساس آزمون همبستگی پیرسون از بین داده­های غیربارشی، ترکیبی از داده­های دمایی و رطوبتی بودند. تعداد پارامترهای ورودی، تعداد لایه­های میانی و سایر اطلاعات مربوط به شبکه عصبی مصنوعی به صورت تصادفی انتخاب و پیشنهاد شدند. در مجموع از شبکه­های عصبی پرسپترون چند لایه برای برآورد بارش استفاده شد. مقایسه عملکرد شبکه­های عصبی، نشان داد که استفاده از 3 و 4 پارامتر هواشناسی، بهترین رتبه برآوردگری را داشته­اند. آرایش­های پیشنهادی برای ایستگاه شیراز، 1-21-21-3، کرمان 1-25-25-3 و مشهد 1-19-19-4 دارای ضریب همبستگی بیش از 91 درصد شد. اعتبارسـنجی مدل­های بارش نشان داد که شـبکه­های طراحی شـده برای پارامتر بارش در ایستگاه­های مشهد، شیراز و کرمان به ترتیب با خطای 4، 11 و 14 درصد، دارای بهترین عملکرد بوده­اند. در مجموع نتایج نشان می­دهند که استفاده از روش شبکه عصبی با درنظر گرفتن اطلاعات دمایی و رطوبتی، نتایج مناسبی برای توصیف فرآیند و ترکیب آن­ها در پیش­بینی، به­دست می­دهند.

کلیدواژه‌ها

• بارش سالانه
• پیرسون
• شبکه عصبی مصنوعی
• دمای هوا
• رطوبت نسبی
• نمای هرست

عنوان مقاله [English]

Rainfall Estimation with Artificial Neural Network Based on Non-Rainfall Weather Data in Shiraz, Mashhad and Kerman Regions

نویسندگان [English]

• Ali Reza Ildoromi ¹
• Hamid Zareabyaneh ²
• Maryam Bayatvarkeshy ³

¹ Assist. Prof., Department of Range and Watershed Management, College of Natural Resources and Environment, Malayer University, Hamedan

² Faculty of Agriculture of bu alisina university

³ faculty of Agriculture of bu alisina university

چکیده [English]

Rainfall due to its noise and random nature has structural changes at different times. Because of large uncertainty, fluctuations in the amount of rainfall forecast is created the prediction of which has been difficult. In this article, precipitation predictability was carried out rescaled by range analysis (R/S) technique in Shiraz, Mashhad and Kerman regions. SnapshotHurst (H) showed that rainfall parameter has the ability of predictability, because H was higher than 0.5 and much closer to the value 1. Minimum Hurst value was 0.8 in Mashhad and maximum Hurst value was 0.92 in Shiraz. In order to predict rainfall we used artificial neural network. Type of input parameters based on Pearson correlation test between data from non-rainfall, were a combination of temperature and humidity data. Number of input parameters, the number of middle layers, and other information related to artificial neural network randomly were selected. As a whole, rainfall estimation was calculated through Peresptron multi-layer neural network for comparing the performance of neural network. Results showed that the use of 3 and 4 meteorological parameters has the best rank estimator. Proposed layouts for the Shiraz station is 1-21-21-3, for Kerman 1-25-25-3 and for Mashhad 1-19-19-4 in which 1-25-25-3 of have correlation coefficients more than 91 percent. Validation rainfall models showed that network designed for rainfall parameters has best performance rainfall in Mashhad, Shiraz and Kerman stations with 4, 11 and 14 percent error respectively. As a whole, results showed that neural network method with considering the temperaturel and humidity data for describing the process and their combination in predicting good results were offered.

کلیدواژه‌ها [English]

• Annual rainfall
• Pearson test
• Artificial neural network
• Air Temperature
• Relative humidity
• Hurst