فرناز نهرین

بارش یکی از مهم ترین اجزای چرخه آب است و در سنجش خصوصیات اقلیمی هر منطقه، نقش بسیار مهمی ایفا می کند. تخمین مقادیر بارش ماهانه برای اهداف مختلفی چون، برآورد سیلاب، خشکسالی، برنامه ریزی آبیاری و مدیریت حوضه های آبریز، اهمیت زیادی دارد. پیش بینی بارش در هر منطقه ای نیازمند وجود داده های دقیق اندازه گیری شده ای مانند، رطوبت، دما، فشار، سرعت باد و غیره است. محدودیت هایی چون، نبود اطلاعات کافی در مورد مقدار بارش در مقیاس های زمانی و مکانی و همچنین پیچیدگی روابط بین پارامترهای هواشناسی مرتبط با بارش، موجب می شود محاسبه این پارامتر با استفاده از روش های معمول به طور دقیق انجام نگیرد. در این پژوهش، ابتدا سناریوهای مختلفی از ترکیب پارامترهای هواشناسی در مقیاس ماهانه برای منطقه اهر در استان آذربایجان شرقی، به منزله ورودی شبکه های عصبی مصنوعی و مدل درختی 5M تعریف شد و سپس با در نظر گرفتن دو آماره R و RMSE بهترین سناریو برای هر یک از این دو مدل انتخاب شد. یافته ها نشان داد که هر دو روش نتایج نسبتاً دقیقی را برای پیش بینی ماهانه منطقه ارائه می کنند، ولی از آنجاکه مدل درختی 5M روابط خطی ساده ای در اختیار کاربر می گذارد، این روش کاربردی تر است.