جواد خوشحال دستجردی
سیدمحمد حسینی

 اربرد شبکه عصبی مصنوعی در شبیهسازی عناصر اقلیمی و پیشبینی سیکل خشکسالی ) مطالعه موردی: استان اصفهان( چکیده   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 در۲۰ ایستگاه سینوپتیک، کلیماتولوژی و هیدرومتری استان اصفهان که حداقل۲۰ سال آمار روزانه داشتند، استفاده شد. از نرم­افزار MATLAB-۷ 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 سال­های۱۳۶۰ تا۱۳۸۳ را در بر می­گیرند. اطلاعات۲۰ ساله برای آموزش مدل ­ ها و ۴ سال باقی مانده برای آزمایش آن­ها به کاررفته است. شبکه مورد استفاده از نوع پرسپترون چندلایه( Multi - layer P erceptron ) با الگوریتم پس­انتشارخطا ( Back Propagation ) و تکنیک یادگیری مارکوارت- لونبرگ ( Train LM: Levenberg-Marquardt ) است. ساختارهای گوناگونی از شبکه عصبی با تغییر در لایه­های ورودی (۶ مدل)، تعداد گره­ها در لایه­های پنهان و خروجی (۲ الی۲۰ 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 ۹۵ درصد، سیکل خشکسالی استان را پیش­بینی نمود.

مارکوارت- لونبرگ, واژه­های کلیدی: شبکه عصبی مصنوعی, پیش­بینی خشکسالی, پرسپترون چندلایه, مارکوارت, لونبرگ, استان اصفهان