نوع مقاله : مقاله علمی پژوهشی

نویسندگان

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

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
1ـ احمری­نژاد، ا.؛ رجبی مشهدی، ح. و ساده، ج. (1384). «بررسی اهمیت پیش­بینی میزان تقاضا در پیش­بینی قیمت برق با تفکیک قیمت برق به مولفه­های مختلف در فضای رقابتی انرژی الکتریکی»، بیستمین کنفرانس بین­المللی برق، تهران. ص. 1-10.
2ـ البرزی، م. (1383). «آشنایی با شبکه‌های عصبی»، تهران: موسسة انتشارات علمی دانشگاه صنعتی شریف، چاپ دوم.
3ـ جـهانگیر، ع.ر.؛ رائینی، م. و ضیا احـمدی، م.خ. (1387). «شبیه­سازی فرآیـند بارش-رواناب با شبکه عصبی مصنوعی (ANN) با مدل HEC-HMS در حوضه معرف کارده»، مجله علمی پژوهشی آب و خاک (علوم و صنایع کشاورزی). جلد 22، شماره 2: 84-72.
5ـ خالوزاده، ح.؛ خاکی صدیق، ع. و لوکس، ک. (1377). «پیش­بینی قیمت سهام در بازار بورس تهران با استفاده از مدل­های خطی و غیر خطی»، مجله علمی-پژوهش مدرّس، دانشگاه تربیت مدرّس. (54):87-102.
6ـ خلیلی ن.؛ خداشناس س.ر.؛ داوری ک. و موسوی بایگی م. (1387)، «پیش­بینی بارش ماهانه با استفاده از شبکه­های عصبی مصنوعی»، مطالعه موردی: ایستگاه سینوپتیک مشهد، مجله علوم و صنایع کشاورزی (ویژه آب و خاک)، 22 (1): 89-99.
7ـ زارع ابیانه، ح. و بیات ورکشی، م. (1390)، «ارزیابیمدل­هایهوشمندعصبیوتجربیدرتخمینروانابسالانه»، نشریهآبوخاک (علوموصنایعکشاورزی)، 25 (2): 365-379.
8ـ زارع ابیانه، ح.؛ قاسمی، ع.؛ بیات ورکشی، م. و معروفی، ص. (1388)، «ارزیابی دقت شبکه عصبی مصنوعی (ANN) در پیش­بینی تبخیر-تعرق گیاه سیر (ETc) در مقایسه با نتایج لایسیمتری در منطقه همدان»، آب و خاک (علوم و صنایع کشاورزی)، 23 (3): 176-185.
9ـ زارع ابیانه، ح.؛ قاسمی، ع.؛ بیات ورکشی، م.؛ سبزی­پرور، ع.ا. و محمدی، ک. (1389)، «ارزیابی کارایی دو نرم­افزار شبکه عصبی مصنوعی در پیش­بینی تبخیر- تعرق گیاه مرجع»، دانش آب و خاک، جلد 1/19 شماره 2: 11-163.
10ـ صوفی­وند، ف.؛ فاتحی، ع.ر. و رمانیان، م. (1384)، «پیش­بینی داده­های هواشناسی به روش مدل­سازی چندگانه»، مجموعه مقالات سیزدهمین کنفرانس برق ایران، جلد سوم، دانشگاه زنجان. 6-1.
11ـ قاسمی، م.م. و سپاسخواه، ع.ر. (1383)، «پیش­بینی بارندگی سالانه استان خوزستان از روی زمان وقوع رگبارهای پائیزه، علوم و فنون کشاورزی و منابع طبیعی»، سال هشتم، شماره اول: 9-1.
12ـ قربانی دشتکی، ش.؛ همایی، م. و مهدیان، م.ح. (1388)، «برآورد پارامترهای نفوذ آب به خاک با استفاده از شبکه­های عصبی مصنوعی»، مجله آب و خاک (علوم و صنایع کشاورزی)، جلد 23، شماره 1، ص. 198-185.
13ـ فلاح قالهری، غ.ح.؛ موسوی بایگی، م. و حبیبی نوخندان، م. (1387)، «پیش­بینی بارشفصلیبراساسالگوهایسینوپتیکی بااستفادهازسیستماستنباطفازیعصبیتطبیق (ANFIS)»، پژوهش­هایجغرافیایطبیعی،شماره 66: 121-139.
14ـ فاتحیمرج، ا. و مهدیان، م.ح. (1388)، «پیش­بینیبارشپاییزهبااستفادهاز شاخص­­هایانسوبه روششبکهعصبیدرحوضهدریاچهارومیه»، پژوهش­های آبخیزداری (پژوهشوسازندگی)، 84: 42-52.
15ـ فولادمند، ح.ر. (1385)، «پیش­بینیبارندگیروزانهوسالانهوتعدادروزهایبارانیدر سالبااستفادهاززنجیرهمارکوفدریکمنطقهنیمهخشک»، سال دوازدهم شماره 1: 113-123.
16ـ کریمی گوغری ش. و اسلامی ا. (1387)، «پیش­بینی بارندگی سالانه در استان کرمان با استفاده از شبکه­های عصبی مصنوعی»، مجله آبیاری و زهکشی ایران، 2 (2): 123-132.
17ـ محمدیان روشن، ی.؛ رئوف شیبانی، ه. و کریم­پور، ع. (1387)، «طراحی الگوریتم کاربردی پیش­بینی بار به کمک شبکه­های عصبی با هدف کاهش جریمه پرداختی خریداران بازار برق با استفاده از الگوریتم ژنتیک»، بیست و سومین کنفرانس بین­المللی برق، صص. 1-6.
18- ASCE, (2000), "Task Committee on Plication of Artificial Neural Networks in Hydrology", Artifical Neural Network in Hydrology, Part I and II, J hydraulic Eng. 5(2): 115-137.
19- Cavazos, T. (2000). "Using Self-organizing Xaps to Investigate Extreme Climate Event: an Application to Wintertime Precipitation in the Balkans", Journal of Climate, 13: 1718-1732
20- Ferreira, N.J., Velho, H.F. and Ramizer, M.C.V. (2005), "Artificial Neural Network Technique for Rainfall Forecasting Applied to the Sao Paulo Region", J. Hydrology, 301: 146-162.
21- Hall, T., Brooks, H.E. and Doswell, C.A. (1999) "Precipitation Forecasting Use a Neural Network", Weather and Forecasting Journal, 14: 338-345.
22- Kanounikov, I.E., Antonova, E.V., Kiselev, B.V. and Belov, D.R. (1999), "Dependence of one of the Fractal Characteristics (Hurs exponent) of the Human Electroencephalogram on the cortical Area and Type of Activity", International Joint Conference on Neural Networks, Vol. 1. 243 - 246. 
 23- Leeph, T. (1995) "Analysis of Predictability of Topix Returns Using Neural Networks", Neural Networks World, 4: 485-501.
24- Maria, C. Haroldo, F and Ferreira, N., (2005), "Artificial Neural Network Technique for Rainfall Forecasting Applied to the S.o Paulo Tegion", Journal of Hydrology, Volume 301, Issues 1-4, PP.146-162.