کاربرد شبکه عصبی مصنوعی در شبیه سازی عناصر اقلیمی و پیش بینی سیکل خشکسالی مطالعه موردی: استان اصفهان(مقاله علمی وزارت علوم)
حوزه های تخصصی:
در این پژوهش، از شبکههای عصبی مصنوعی ( Artificial Neural Networks ) به عنوان ابزاری توانمند در مدل سازی فرآیندهای غیرخطی و نامعین، به منظور پیشبینی سیکل خشکسالی در20 ایستگاه سینوپتیک، کلیماتولوژی و هیدرومتری استان اصفهان که حداقل20 سال آمار روزانه داشتند، استفاده شد. از نرمافزار MATLAB-7 و در شاخه Neural Network ، برای پیشبینی وتجزیه و تحلیل عناصراقلیمی کمک گرفته شد. ورودی مدلهای ANN ، دادههای میانگینماهانه بارش، دبی حداقل و دمایبیشینه است که این دادهها، بازه زمانی سالهای1360 تا1383 را در بر میگیرند. اطلاعات20 ساله برای آموزش مدل ها و 4 سال باقی مانده برای آزمایش آنها به کاررفته است. شبکه مورد استفاده از نوع پرسپترون چندلایه
( Multi - layer P erceptron ) با الگوریتم پسانتشارِخطا ( Back Propagation ) و تکنیک یادگیری مارکوارت- لونبرگ
( Train LM: Levenberg-Marquardt ) است. ساختارهای گوناگونی از شبکه عصبی با تغییر در لایههای ورودی (6 مدل)، تعداد گرهها در لایههای پنهان و خروجی (2 الی20 گره) ایجاد گردید. نتایج حاصل از تحقیق حاضر، نشان میدهد که در میان الگوهای مورد بررسی، دمایبیشینه، دبی و بارش، نقش مثبتی در پیشبینی خشکسالیهای استان اصفهان داشته، با کاربرد شبکه عصبی مصنوعی میتوان با دقت بالای 95 درصد، سیکل خشکسالی استان را پیشبینی نمود.