چکیده: توصیف صحیح حالت جو برای پیش بینی دقیق شرایط آینده، خصوصاً در مورد پارامترهای متغییری نظیر مقدار بارش، حیاتی است . برای فرایند بارش، موجودی بخار آب (در هر شکل بخار و مایع یا جامد) و دما، که ماکزیمم موجودی بخار آب در جو را تعیین می کند، از مهمترین متغییرها می باشند. در این تحقیق داده های ماهواره ای از سنجنده amsu-b ماهواره noaa -16 و داده های گمانه زنی بالون در بازه زمانی سال 2003 تا 2008 برای برآورد آب قابل بارش در روی خشکی به روش شبکه-های عصبی مصنوعی مورد استفاده قرار گرفته است. سنجنده amsu-b روی تعداد زیادی از ماهواره-هایnoaa موجود است اما دلیل انتخاب ماهواره noaa-16 فقط به خاطر این که زمان عبور آن از فضای ایران کمترین اختلاف زمانی را با پرتاب بالون در ایران دارد می باشد، در مجموع 1250 روز زوج داده های ماهواره ای و گمانه زنی بالون که اختلاف زمانی کمتر از یک ساعت داشته اند جمع آوری گردیده است. چندین مدل شبکه عصبی و همچنین رگرسیون برای بازیابی آب قابل بارش مورد استفاده قرار گرفته که در بین آنها دو مدل کمترین مقدار خطا را داشت .در مدل اول شبکه عصبی با هفت ورودی که داده های سنجنده amsu-b و دما و دمای نقطه شبنم ورودی های مدل و آب قابل بارش خروجی آن را تشکیل می داد بایاس 40/0 میلی متر و ریشه میانگین مربعی خطا 33/3 میلی متر و ضریب همبستگی80/0 بود. درمدل دوم شبکه عصبی با چهار ورودی که فقط از داده های سنجنده amsu-b به عنوان ورودی شبکه و آب قابل بارش به عنوان خروجی استفاده گردید، بایاس 20/1 میلی متر و ریشه میانگین مربعی خطا99/3 میلی متر و ضریب همبستگی 73/0 به دست آمد. آب قابل بارش را با استفاده از روش رگرسیون نیز برآورد نموده ایم و نتایج آن را با روش شبکه های عصبی مصنوعی مقایسه نموده که در روش رگرسیون برای مدل اول با هفت ورودی بایاس50/0 میلی-متر وریشه میانگین مربعی87/3 میلی متر و ضریب همبستگی75/0 و برای مدل دوم با چهار ورودی بایاس 49/1 میلی متر و ریشه میانگین مربعی79/4 میلی متر و ضریب همبستگی 57/0محاسبه گردیده است.که از نتایج معلوم گردید روش شبکه های عصبی مصنوعی در برآورد آب قابل بارش نسبت به روش رگرسیون تواناتر بوده است.

دمای سطح دریا (sst) یکی از پارامترهای اساسی در اقیانوس¬شناسی و مطالعات علوم جوی است. در این تحقیق با کمک داده¬های ماهواره ای و داده¬های ایستگاه هواشناسی دربازه زمانی سوم مارس 2008 تا هفتم آگوست 2009 دمای سطح ناحیه¬ای از خلیج فارس به روش شبکه عصبی مصنوعی (ann) و رگرسیون بازیابی شده است. در مجموع 406 داده در روز و 409 داده در شب از سنجنده (amsu-b) و ایستگاه جمع¬آوری شده است. از دمای تابشی به عنوان ورودی شبکه عصبی و مدل رگرسیون استفاده شده است. مقایسه خروجی شبکه عصبی و داده میدانی دما نشان می¬دهد که برای داده های روز ریشه میانگین مربعی خطا 858/1 کلوین، بایاس 108/0 کلوین، میانگین مطلق خطا 606/1 کلوین و ضریب همبستگی 931/0 است. برای داده¬های شب، ریشه میانگین مربعی خطا 083/2 کلوین، بایاس 621/0 کلوین، میانگین مطلق خطا 821/1 کلوین و ضریب همبستگی 910/0 به دست آمد. در روش رگرسیون این پارامترهای خطا در شب و روز نسبت به شبکه عصبی بزرگ ترند. بنابراین کارایی روش شبکه عصبی در برآورد دمای سطح آب نسبت به رگرسیون بیشتر است. انتظار داریم که شبکه عصبی طراحی شده برای برآورد سایر نقاط خلیج فارس نیز کارساز باشد که البته برای حصول اطمینان از این پیش¬بینی، باید خروجی شبکه عصبی با کمک داده¬های میدانی آن مناطق صحت- سنجی شوند. متأسفانه داده¬های میدانی در خلیج فارس بسیار پراکنده و محدود می¬باشند.