مقایسه عملکرد الگوریتم های مختلف شبکه عصبی مصنوعی در مدل سازی بارندگی فصلی مطالعه موردی؛ ایستگاه های منتخب استان خوزستان

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.