بخشی از مقاله
چکیده
پیشبینی بارش، بهعنوان یکی از مهمترین متغیرهای اقلیمی در حوزه مدیریت منابع آب از اهمیت ویژهای برخوردار است. از اینرو امروزه محققین با ابداع روشهای مستقل از مدلهای دینامیکی سیستم، در جستجوی راههایی بهمنظور شناخت و پیشبینی بهتر متغیرهای مهم هواشناسی از جمله بارش میباشند. یکی از این روشها، شبکههای عصبی مصنوعی است که از مولفههای هوش مصنوعی محسوب میشود. در این پژوهش، بهمنظور پیشبینی بارش از دادههای ایستگاه سینوپتیک سنندج در مقیاس ماهانه و در دوره آماری -1393 - - 1350 انجام شده است.
همچنین بهدلیل رفتار غیرخطی بارش، از شبکههای عصبی مصنوعی جهت پیشبینی آن بهره گرفته شد. برای بهکارگیری شبکه عصبی، 70 درصد دادهها جهت آموزش شبکه و 30 درصد دادهها نیز برای آزمون و اعتبارسنجی درنظر گرفته شد. در نهایت با انجام آزمون شبکه با لایههای پنهان و ضریبهای یادگیری مختلف، مشخص گردید که استفاده از شبکه عصبی مصنوعی پرسپترون با دو لایه پنهان و ضریب آموزش - یادگیری - 0/6 نسبت با دیگر حالتها و ساختار شبکه عملکرد بهتری را برای پیشبینی دارد. بهمنظور اطمینان از درستی مقادیر پیشبینی، از آمارههای ضریب تبیین - R2 - و میانگین ریشه مربعات خطا - RMSE - استفاده شد که مقادیر آنها بهترتیب برابر با 0/97 و 0/072 میباشد.
-1 مقدمه
اطلاعات دقیق در مورد بارش برای مدیریت منابع آب ضروری و حیاتی است. از آنجایی که حالت غیرخطی ویژگی اصلی فرایند و پارامترهای علوم جوی و هیدرولوژی است؛ در سالهای اخیر شبکههای عصبی مصنوعی در زمینههای مختلفی از جمله حفاظت از محیط زیست، طیف سنجی، باد، تخمین بارش و رواناب در مقیاسهای مختلف زمانی، پیشبینی دمای سطح دریا، آنالیز پارامترهای هواشناسی، پیشبینی ارتفاع موج، تکمیل سریهای زمانی عناصر هواشناسی و پیشبینی دمای حداقل استفاده شده است.
در حال حاضر، نه تنها از شبکههای عصبی مصنوعی برای پیشبینی مقادیر بارش در مقیاسهای مختلف زمانی استفاده میشود، بلکه بسیاری از پژوهشگران از آن بهعنوان ابزاری جهت پیشبینی رخدادهای فرین بارش نیز بهره بردهاند. هال و همکاران - 1999 - بارش ایالت تگزاس امریکا با استفاده از تکنیک شبکههای عصبی مصنوعی پیشبینی کردند. نتایج تحقیق آنها نشان داد که مقادیر پیشبینی شده با مقادیر واقعی همبستگی بسیار بالایی - 0/95 - دارد. میدا و همکاران - 2001 - نیز بارش ژاپن را به کمک شبکههای عصبی مصنوعی پیشبینی کردند و نتایج حاصله را با پیشبینیهای ساعتی سازمان هواشناسی ژاپن مقایسه کردند.
نتایج آنان نیز نشان داد که شبکههای عصبی مصنوعی ابزار مناسبی برای پیشبینی بارش و کاهش مخاطرات ناشی از آن میباشد. بوستامی و همکاران - 2007 - از شبکههای عصبی مصنوعی برای پیشبینی بارش و تراز آب رودخانه بوداپ استفاده کردند. نتایج این پژوهش نشان داد که دقت پیشبینی مقادیر بارش 4/96 درصد است. همچنین آنان به کمک خروجی پیشبینی شده بارش، تراز آب رودخانه را با دقت 3/85 درصد محاسبه کردند.
این نتایج بیانگر کارایی خوب و مناسب شبکههای عصبی مصنوعی برای بارش و تراز آب است که یکی از ضروریترین ورودیهای هیدرولوژیکی است. شافعی و همکاران - 2011 - از شبکههای عصبی مصنوعی برای پیشبینی بارش اسکندریه مصر استفاده کردند. آنها مدل شبکههای عصبی مصنوعی و مدل رگرسیون چند متغیره را با هم مقایسه کردند. نتایج مطالعه آنها نشان داد که مدل شبکههای عصبی مصنوعی مناسبتر و دقیقتر است.
راوینش و مهمت شاهین - 2015 - ، کاربرد شبکههای عصبی مصنوعی برای پیشبینی ماهانه شاخص بارش استاندارد را در شرق استرالیا مورد بررسی قرار دادند. نتایج پژوهش این دو نشان داد که بهترین معماری برای شبکه ایجاد شده شامل 18 لایه ورودی، 43 لایه پنهان و یک لایه خروجی است. خوشحال و قویدل رحیمی - 1387 - نوسانات بارش سالانه تبریز را در ارتباط با ناهنجاریهای دمایی کره زمین به کمک شبکههای عصبی مصنوعی شبیهسازی عددی کردند.
نتایج این پژوهش نشان داد که روش پرسپترون چند لایه با 3 لایه مخفی و الگوریتم آموزش پس انتشار قابلیت بسیار خوبی در پیشبینی همبستگی بین سریها دارد. قویدل رحیمی - 1389 - به کمک شبکههای عصبی مصنوعی اثر گرمایش جهانی بر ناهنجاریهای بارش سالانه جلفا را مطالعه کرد. نتایج نشان داد که روش پرسپترون چند لایه با چهار لایه مخفی و الگوریتم آموزش پس انتشار دارای قابلیت بسیار عالی در پیشبینی همبستگی بین سری هاست. با توجه به استفاده موفق پژوهشگران از شبکههای عصبی مصنوعی برای مدلسازی بارش و به جهت دقت آن در برآورد سنجههای اقلیمی، هدف از انجام این پژوهش آن است که دقت شبکههای عصبی مصنوعی را در برآورد بارش ماهانه ایستگاه سینوپتیک سنندج مورد آزمون و ارزیابی قرار گیرد.
-2 مواد و روشها منطقه مورد مطالعه
استان کردستان از شمال به استانهای آذربایجان غربی و قسمتی از زنجان و از جنوب به استان کرمانشاه و از شرق به استان همدان و قسمتی دیگر از استان زنجان و از غرب به کشور عراق محدود میباشد. اقلیم کردستان متاثر از تودههای هوای گرم و مرطوب مدیترانهای است که این تودهها موجب بارندگیهایی در بهار و ریزش برف در زمستانها شده است.
این تودههای هوایی که از اقیانوس اطلس و دریای مدیترانه با برخورد به ارتفاعات زاگرس بخش قابل توجهی از رطوبت را بهصورت بارشهای پراکنده برف و باران در این منطقه نشان میدهند. تعداد روزهای یخبندان 109 روز و میزان بارندگی سالانه در شرایط عادی اقلیمی معادل 500 میلیمتر میباشد. بیشترین میزان بارندگی مربوط به شهرهای مریوان و بانه حدود 800 میلیمتر در سال و کمترین میزان بارندگی در ناحیه شرق حدود 400 میلیمتر و در قسمت مرکزی استان یعنی سنندج نزدیک به 500 میلیمتر در سال است.
شبکه عصبی مصنوعی
همچنین، از روش شبکههای عصبی مصنوعی بهعنوان ابزاری نیرومند جهت پیشبینی مقادیر بارش طی زمان بهره گرفته شده است. تکنیک شبکههای عصبی مصنوعی در این پژوهششامل دو مرحله است: -1 مرحله آموزش و -2 مرحله تست. در این پژوهش 70 درصد دادهها 31 - سال - برای آموزش و 30 درصد دادهها 13 - سال - برای تست و اعتبارسنجی در نظرگرفته شد.
در مرحله آموزش، شبکههای عصبی به کمک دادههای بارش و زمان، ارتباط بین نرخ بارش با گذشت زمان را فرا میگیرند. به بیانی دیگر شبکه میآموزد که مقادیر بارش در زمانهای مختلف چه رفتاری از خود نشان میدهد. در این پژوهش، زمان - سال، ماه - بهعنوان پارامتر ورودی و مقادیر بارش بهعنوان خروجی به شبکه داده شد. در مرحله تست و آزمون مقادیر خروجی با مقادیر واقعی مقایسه گردید و اختلاف یا خطا محاسبه شد.
