پیش‌بینی بارش فصلی با حداقل متغیرهای اقلیمی مطالعه موردی: ایستگاه کرمان

نوع مقاله: علمی پژوهشی وزارت علوم

نویسندگان

1 گروه آموزشی جغرافیاو علوم محیطی. دانشگاه حکیم سبزواری. سبزوار. ایران.

2 دانشیار آب و هواشناسی دانشکده جغرافیا و علوم محیطی دانشگاه حکیم سبزواری، سبزوار، ایران

3 دانشجوی دکتری آب و هواشناسی دانشکده جغرافیا و علوم محیطی دانشگاه حکیم سبزواری، سبزوار، ایران

چکیده

 پیش­بینی بارش و برآورد نزولات جوی، به عنوان یکی از مهم‌ترین پارامترهای اقلیمی در حوزه مدیریت منابع آبی، از اهمیت ویژه­ای برخوردار است. بنابراین در این مقاله، امکان کاربرد شبکه عصبی در برآورد بارش با حداقل پارامترهای اقلیمی مورد بررسی قرار گرفت. به این منظور از شبکه عصبی پرسپترون چند لایه با قانون پس انتشار خطا و الگوریتم سیگموئید همراه با داده های میانگین رطوبت نسبی(meanHR)، کمینه رطوبت نسبی (minHR)، بیشینه رطوبت نسبی (maxHR)، میانگین دما (meanT)، کمینه دما (minT)، بیشینه دما (maxT)، میانگین فشار (meanP)، کمینه فشار (minP) و بیشینه فشار (maxP) ماه اکتبر ایستگاه هواشناسی سینوپتیک کرمان، طی دوره آماری 2014-1969 به عنوان ورودی مدل استفاده گردید. نتایج نشان داد در صورت کمبود پارامترهای اقلیمی، تنها با اندازه گیری minT و meanT می‌توان با خطایی معادل 8/9 میلیمتر، برآورد مناسبی از بارش با استفاده از شبکه­های عصبی مصنوعی در منطقه مورد مطالعه به دست آورد.

کلیدواژه‌ها


- امیدوار، کمال. نبوی زاده، معصومه. ثمره، قاسم. (1394): ارزیابی دقت شبکه عصبی مصنوعی بازگشتی نارکس در پیش‌بینی بارش روزانه در استان کرمان، فصل‌نامه جغرافیای طبیعی، سال 8، شماره 27، صص 90-73.

2- امیدوار، کمال. نبوی‌زاده، معصومه. (1393): پیش‌بینی بارش استان کرمان با شبکه‌های عصبی مصنوعی (مطالعه موردی: کرمان، بافت و میانده جیرفت)، مجله جغرافیا و توسعه ناحیه‌ای، سال 12، شماره 23، صص 214-197.

3- ایلدرومی، علی‌رضا. زارع ابیانه، حمید. بیات ورکشی، مریم. (1392): برآورد بارش به کمک شبکه عصبی مصنوعی با داده‌های هواشناسی غیر بارشی در سه منطقه شیراز، مشهد و کرمان، نشریه علمی-پژوهشی جغرافیا و برنامه‌ریزی (دانشکده جغرافیا)، سال 17، شماره 43، صص 40-21.

4- باقر زاده چهره، کیارش. (1384): ارزیابی سیگنال‌های هواشناسی در پیش‌بینی خشک‌سالی با استفاده از شبکه‌های عصبی مصنوعی در استان تهران، پایان‌نامه دوره کارشناسی ارشد، استاد راهنما: سعید مرید، دانشگاه تربیت مدرس، دانشکده کشاورزی، گروه عمران.

5- پولادی، امید. (1381): مقایسه عملکرد شبکه عصبی مصنوعی با سایر روش‌ها در برآورد مکانی بارندگی روزانه، پایان‌نامه دوره کارشناسی ارشد، استاد راهنما: محمدجواد عابدینی، دانشگاه شیراز، دانشکده مهندسی، گروه عمران.

6- زاهدی، رضا. (1380): کاربردهای صنعتی منطق و شبکه‌های عصبی فازی. چاپ دوم، تهران، انتشارات انستیتو ایزایران.

7- حافظ نیا، محمدرضا. (1389): مقدمه‌ای بر روش تحقیق در علوم انسانی. تهران، انتشارات سمت.

8- حلبیان، امیرحسین. دارند، محمد. (1391): پیش‌بینی بارش اصفهان با استفاده از شبکه‌های عصبی مصنوعی، نشریه تحقیقات کاربردی علوم جغرافیایی، سال 12، شماره 26، صص 63-47.

9- خسروی، محمود. شکیبا، هانیه. (1389): پیش‌بینی بارش با استفاده از شبکه‌های عصبی مصنوعی به‌منظور مدیریت سیل: مورد منطقه ایرانشهر، چهارمین کنگره بین‌المللی جغرافیدانان جهان اسلام، زاهدان، ایران.

10- خلیلی، نجمه. خداشناس، سعید رضا. داوری، کامران. (1385): پیش‌بینی بارش با استفاده از شبکه‌های عصبی مصنوعی، مجموعه مقالات دومین کنفرانس مدیریت منابع آب دانشگاه صنعتی اصفهان.

11- صداقت کردار، عبدا…. فتاحی، ابراهیم. (1387): شاخص‌های پیش‌آگاهی خشک‌سالی در ایران، مجله جغرافیا و توسعه. سال 11، شماره 6، صص 76-59.

12- فرج‌زاده اصل، منوچهر. دارند، محمد. (1388): مقایسه روش‌های رگرسیون خطی و شبکه عصبی مصنوعی در پیش‌بینی میزان مرگ و میر به‏عنوان تابعی از دمای هوا (مطالعه موردی: تهران). مجله تحقیقات نظام سلامت حکیم، جلد 12، شماره 3، صص 53-45.

13- فلاح قالهری، غلام‌عباس. موسوی بایگی، محمد. حبیبی نوخندان، مجید. (1387): پیش‌بینی بارش فصلی بر اساس الگوهای سینوپتیکی با استفاده از سیستم استنباط فازی- عصبی تطبیقی ((ANFIS، پژوهش‌های جغرافیای طبیعی، شماره 66، صص 140-121.

14- میثاقی، فرهاد. (1382): توسعه الگوریتم ترکیبی زمین آمار و شبکه‌های عصبی مصنوعی به‌منظور استخراج توزیع مکانی بارندگی، پایان‌نامه دوره کارشناسی ارشد، استاد راهنما: کورش محمدی، دانشگاه تربیت مدرس، دانشکده کشاورزی، گروه مهندسی کشاورزی.

15- ناصری، محسن. (1382): پیش‌بینی بارندگی در دامنه زمان و مکان با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک، پایان‌نامه دوره کارشناسی ارشد، استاد راهنما: کیوان اصغری، دانشگاه صنعتی اصفهان، دانشکده عمران، گروه عمران.

16- نوری، سمیرا.  فلاح قالهری، غلام عباس. ثنایی نژاد، سید حسین. (1392): مدل‌سازی تبخیر-تعرق گیاه پتانسیل با استفاده از شبکه عصبی مصنوعی با حداقل متغیرهایاقلیمی در ایستگاه سینوپتیک مشهد، نشریه پژوهش‌های حفاظت آب‌وخاک، سال 20، شماره 5، صص 178-163.

17- نورسیس، ماریجا. (2006): آموزش آنالیز آماری داده‌ها در SPSS، ترجمه اکبر فتوحی و فریبا اصغری (1383)، چاپ دوم، تهران، انتشارات کانون نشر علوم.

 

18- Abdul Muttaleb ­Alhashimi, SH. (2014): Prediction of Monthly Rainfall In Kirkuk Using Artificial Neural Network and Time Series Models, Journal of Engineering and Development 18: 782-803.

19- Aksoy, H. Guven, A. Aytek, A. Yuce, MI and Unal, NE. (2008): Discussion of Generalized Regression Neural Network for Evapotranspiration Modeling, Hydrol, Sci, 52: 825-831.

20- Chauhan, S and Shrivastava, RK. (2009): Performance Evaluation of Reference Evapotranspiration Estimation Using Climate Based Methods and Artificial Neural Network, Water Resour, Manage, 23: 825-837.

21- Friedman, NJ. Velho, HF and Ramizer, MCV. (2005): Artificial Neural Network for Rainfall Forecasting Applied to The Sao Paulo Region, J. Hydrology, 301:146-162.

22- Hung, N.Q.M.S. Babel S. Weesakul, k and Tripathi, NK. (2008): An Artificial Neural Network Model for Rainfall Forecasting in Bangkok Thailand, Hydrology and Earth Sciences Discussion, 5: 183-218.

23- Karen, A.L.S. (2010): Comparison of Adaptive Methods Using Multivariate Regression Splines (MARS) and Artificial Neural Networks Backpropagation (ANNB) for The Forecast of Rain and Temperatures in The Mantaro River Basin, Hydrology Days: 58-68.

24- Mekanik, F. Imteaz, M.A. Goto-Trinidad, S and Elmahdi, A. (2013): Multiple Regression and Artificial Neural Network for Long-Term Rainfall Forecasting Using Large Scale Climate Modes, Journal of Hydrology 503: 11-21.

25- Shafie, AHA, El-Shafie Hasan, GEl, Mazoghi A, Shehata and Mohd Taha, R (2011): Artificial Neural Network Technique for Rainfall Forecasting Applied to Alexandria. Egypt, International Journal of the Physical Sciences 6: 1306-1316.

26- Wang, YM, Traer, S and Kerh, T (2008): Neural Network Approach for Estimating Reference Evapotranspiration From Limited Climatic Data in Burkina Faso, WSEAS Transactions on Computers 7: 704-713.