محمدرضا گلابی، علی محمد آخوندعلی، فریدون رادمنش،
دوره 13، شماره 30 - ( 9-1392 )
چکیده
بارندگی یکی از اجزای اصلی چرخهی هیدرولوژی است. این فرآیند پیچیده به عوامل متعدد اقلیمی وابسته است. شبکه های عصبی مصنوعی در چند دهه اخیر و در مطالعات صورت گرفته برای مدل سازی سیستم های پیچیده و غیر خطی قابلیت بسیار بالایی از خود نشان داده است. تحقیق حاضر در سه ایستگاه منتخب از استان خوزستان صورت گرفته است. برای این منظور از دادههای بارندگی ماهانه سه ایستگاه هواشناسی استان به مدت 48سال، (1340-1387)، استفاده شده است. سپس با استفاده از این مقادیر به عنوان خروجیهای هدف، شبکههای مختلفی با ساختارهای متفاوت تعریف و آموزش داده شد. در نهایت قابلیت شبکه برای تخمین بارش با استفاده از قسمتی از دادهها که در آموزش شبکه وارد نشدند، مورد بررسی قرار گرفت. در این تحقیق شبکههای MLP و RBF با تغییراتی در تعداد لایههای میانی، تعداد نرونها و الگوریتمهای آموزش MOMو LM وCG به منظور پیشبینی بارش فصلی به کار گرفته شد. نتایج نشان داد که برای ایستگاه اهواز شبکه RBF با توپولوژی 1-4-6 و یادگیریLM دارای بیشترین مقدار ضریب همبستگی برابر 96/0 و کمترین MSE برابر 044/0 است. برای ایستگاه آبادان شبکه RBF با توپولوژی 1-7-6-6 و یادگیریLM دارای بیشترین مقدار ضریب همبستگی برابر 92/0 و کمترین MSE برابر 062/0 است. برای ایستگاه دزفول شبکه MLP با توپولوژی 1-4-3-6 و یادگیریLM دارای بیشترین مقدار ضریب همبستگی برابر 94/0 و کمترین MSE برابر 034/0 است.