fa کاربرد شبکه های عصبی مصنوعی در پیش بینی بارش زمستانه تخصصي Special پژوهشي Research <p>پیش‌بینی بارش یکی از مهم‌ترین مسائل در زمینه مدیریت بهینه منابع آب در بخش‌های مختلف نظیر صنعت، شرب و کشاورزی است. پیش بینی بارش می تواند باعث جلوگیری از تلفات و خسارات ناشی از بلایای طبیعی شود. هدف از تحقیق حاضر پیش‌بینی بارش زمستانه استان خراسان رضوی با استفاده از شبکه‌های عصبی مصنوعی می‌باشد. بدین منظور، ابتدا سری زمانی بارش متوسط منطقه‌ای به روش کریجینگ در طول دوره آماری به دست آورده شد. سپس سری زمانی سیگنال های اقلیمی شامل فشار، گرادیان فشار، دما، گرادیان افقی دما، گرادیان قائم دما بین سطح دریا و سطح 1000 میلی بار، تابش طول موج بلند خروجی از سطح زمین، آب قابل بارش، مولفه مداری باد، مولفه نصف النهاری باد، دمای هوا در سطح 700 میلی بار، ضخامت بین سطوح 500 و 1000 میلی بار و رطوبت نسبی در سطح 300 میلی بار در بازه های زمانی مختلف محاسبه شد. در ادامه ارتباط بین پیش بینی کننده های اقلیمی با بارش متوسط منطقه با استفاده از ضریب همبستگی پیرسون به دست آورده شد. پس از شناسایی سیگنال های موثر بر بارش منطقه، مدل شبکه های عصبی مصنوعی در دوره 1997-1970 آموزش داده شد و در پایان، پیش بینی بارش در دوره 2007-1998 انجام شد. نتایج نشان داد شبکه های عصبی مصنوعی قادر است بارش را با دقت قابل قبولی پیش بینی نماید. ضریب همبستگی بین بارش مشاهده شده و پیش‌بینی شده در مرحله تست مدل، 66/0 به دست آمد. ریشه میانگین مربعات خطا نیز 9/6 میلی متر به دست آمد.</p> <p>The aim of this research is the rainfall prediction of Khorasan Razavi province using artificial neural network. At the first step, the time series of average regional rainfall using Kriging method in the desired time period was calculated. In the next step, time series of climatic predictors including Sea Level Pressure (SLP), Sea Surface Temperature (SST), Sea Surface Pressure gradient (SLP), the difference between sea surface temperature and 1000 hPa level, Sea Surface Temperature gradient (SST), Air Temperature At 700 hpa, thickness between 500 and 1000 hpa level, Relative Humidity at 300 hpa, outgoing long wave radiation, Precipitable water, meridional wind and zonal wind in the different time steps were obtained. In continue the relation between average regional rainfall and climatic predictors using Pearson&rsquo;s correlation coefficient were calculated. After identifying of the appropriate predictors, artificial neural network model was calibrated from 1970 to 1997. Finally, model was tested in the period between 1998-2007. The model that used in this research has an input layer, one hidden Layer and an output layer. Results reveal those artificial neural networks are promising and efficient. Root mean square error for this model was obtained 6.9 millimeters.</p> پیش بینی بارش, ریشه میانگین مربعات خطا, روش کریجینگ, شبکه های عصبی مصنوعی, ضریب همبستگی پیرسون. Rainfall prediction, Root mean square error, Kriging method, artificial neural network, Pearson’s correlation coefficient. 98 110 http://jwmsei.ir/browse.php?a_code=A-10-258-1&slc_lang=fa&sid=1 Gholamabbas Fallah Ghalhari غلامعباس فلاح قالهری ab_fa789@yahoo.com 10031947532846005872 10031947532846005872 Yes Hakim Sabzevari University دانشگاه حکیم سبزواری Fahimeh Shakeri فهیمه شاکری fa.shakeri145@yahoo.com 10031947532846005873 10031947532846005873 No Hakim Sabzevari University دانشگاه حکیم سبزواری