تحلیل و پیش بینی روزهای خشک با استفاده از مدل شبکه عصبی مصنوعی (مطالعه موردی: ایستگاه تهران)

شبکه های عصبی مصنوعی  به­عنوان یکی از تکنیک های غیرخطی در مطالعات اقلیمی و هیدرولوژی اهمیت فراوانی به­خود اختصاص داده­اند. تغییراقلیم و به­دنبال آن گرمایش جهانی از پدیده های اقلیمی به شمار می رود. شمار روزهای خشک و تداوم آن خشکسالی را به­دنبال دارد. در این پژوهش از داده های بارش روزانه طی سال های (۱۹۷۶-۲۰۰۸) و شبکه عصبی مصنوعی در نرم افزار MATLAB به­منظور پیش بینی شمار روزهای خشک ایستگاه تهران استفاده شده است. شبکه به­کار رفته از نوع Feed-forward با الگوریتم کاهش شیب و مارکوارت لونبرگ در مرحله آموزش و یادگیری می باشد. ساختارهای گوناگونی در لایه ورودی و پنهان در مرحله آموزش مورد آزمایش قرار گرفت. در نهایت شبکه با ۴ ورودی و ۵ نرون در لایه پنهان و ۱ نرون در لایه خروجی به مطلوب ترین ساختار (۱-۵-۴) جهت پیش بینی بهینه با بیش ترین همبستگی پاسخ داد. نتایج نشان داد که در ایستگاه مذکور، روزهای خشک پیش بینی شده توسط شبکه در مقایسه با طول دوره آماری مورد بررسی دارای روند افزایشی بوده است که با محاسبه احتمال وقوع روزهای خشک، طی سال های (۲۰۱۸-۲۰۰۹) با استفاده از زنجیره مارکوف، موارد فوق تایید گردیده است. ضریب همبستگی مقادیر پیش بینی روزهای خشک بدون ترکیب با الگوریتم ژنتیک ۸۶ درصد است. بعد از آموزش شبکه با ترکیب  الگوریتم ژنتیک با لایه­ های مختلف این مقدار به ۸۸درصد رسید که می توان گفت در صورت ترکیب شبکه با الگوریتم مذکور نتایج قابل قبول ارائه می­دهد.