پیش بینی دمای کمینه ایستگاه کرج با استفاده از داده های شاخص های پیوند از دور و شبکه عصبی مصنوعی

محورهای موضوعی : اقلیم شناسی

هانیه شکیبا ¹ , محمود خسروی ² , تقی طاوسی ³ , مهدی اژدری مقدم ⁴

1 - کارشناسی ارشد ، گروه جغرافیای طبیعی(اقلیم شناسی)، دانشگاه سیستان و بلوجستان، زاهدان ،ایران
2 - دانشیار گروه جغرافیای طبیعی(اقلیم شناسی)، دانشگاه سیستان و بلوجستان، زاهدان،ایران
3 - استاد گروه جغرافیای طبیعی(اقلیم شناسی)، دانشگاه سیستان و بلوجستان، زاهدان،ایران
4 - دانشیار ، گروه عمران، دانشگاه سیستان و بلوچستان ،زاهدان،ایران

تاریخ دریافت : 1396/10/29 تاریخ پذیرش : 1397/03/28 تاریخ انتشار : 1397/06/31

کلید واژه: پیش بینی, شبکه های عصبی مصنوعی, کرج, کمینه دما,

چکیده مقاله :

توجه علمی به مخاطرات محیطی که آسیب پذیری بسیاری از کشورهای دنیا را به دنبال دارد، آغازی نسبتاً تازه دارد. یکی از این خطرها یخبندانها می باشند که سبب زیانهای عظیمی در زمینه های کشاورزی، حمل و نقل، انرژی ، زیست محیطی و غیره شده است. جهت جلوگیری از خطرات ناشی از آنها استفاده از روشهای پیش بینی امکان پیش آگاهی از حداقل دما و رخداد پدیده یخبندان را فراهم ساخته تا مسئولان در جهت جلوگیری از آن، اقدامات لازم را به عمل آورند. پیش بینی حداقل دما در منطقه خصوصاً با روشهای جدید از ضروریات انجام این تحقیق می باشد. با توجه به محدودیت هایی از قبیل عدم کفایت آمار موجود و خطای بالای روش های آماری معمول، در این تحقیق از شبکه های عصبی مصنوعی به عنوان یک روش کارآمد جهت پیش بینی کمینه دما استفاده شدهاست. ورودی مدل،آمار شاخص های اقلیمی SIBERIA, AO[1], NAO[2], TNA[3], SOI[4], PDO[5], TNI[6], NOI[7]ساعات آفتابی منطقه در بازه زمانی(2007–1973) و خروجی مدل داده های کمینه دما می باشد. در این تحقیق از دو روش پس انتشار feedforwardو Radial Basisاستفاده شده است. نتایج نشان داد که بین مدلهای مورد استفاده، Radial Basis ( با ضریب همبستگی 98% و میزان خطای 48%) به عنوان بهترین مدل، نسبت به روش های آماری و مدل feedforward معمول می باشد و همچنین نسبت به دیگر تحقیقات انجام شده در این زمینه از میزان خطای پایین تری برخوردار است. همچنین تنها افزایش فاکتورهای ورودی شبکه عاملی برای افزایش کارایی نمی باشد بلکه استفاده از ورودی هایی که ارتباط معناداری با خروجی شبکه دارند نتایج بهتری را ایجاد خواهد کرد. در نهایت خروجی مدل بیانگر افزایش حداقل دما طی دوره آماری می باشد.

چکیده انگلیسی:

توجه علمی به مخاطرات محیطی که آسیب پذیری بسیاری از کشورهای دنیا را به دنبال دارد، آغازی نسبتاً تازه دارد. یکی از این خطرها یخبندانها می باشند که سبب زیانهای عظیمی در زمینه های کشاورزی، حمل و نقل، انرژی ، زیست محیطی و غیره شده است. جهت جلوگیری از خطرات ناشی از آنها استفاده از روشهای پیش بینی امکان پیش آگاهی از حداقل دما و رخداد پدیده یخبندان را فراهم ساخته  تا مسئولان در جهت جلوگیری از آن، اقدامات لازم را به عمل آورند. پیش بینی حداقل دما در منطقه خصوصاً با روشهای جدید از ضروریات انجام این تحقیق می باشد. با توجه به محدودیت هایی از قبیل عدم کفایت آمار موجود و خطای بالای روش های آماری معمول، در این تحقیق از شبکه های عصبی مصنوعی به عنوان یک روش کارآمد جهت پیش بینی کمینه دما استفاده شدهاست. ورودی مدل،آمار شاخص های اقلیمی SIBERIA, AO[1], NAO[2], TNA[3], SOI[4], PDO[5], TNI[6], NOI[7]ساعات آفتابی منطقه در بازه زمانی(2007–1973) و خروجی مدل داده های کمینه دما می باشد. در این تحقیق از دو روش پس انتشار  feedforwardو Radial Basisاستفاده شده است. نتایج نشان داد که بین مدلهای مورد استفاده، Radial Basis ( با ضریب همبستگی 98% و میزان خطای 48%) به عنوان بهترین مدل، نسبت به روش های آماری و مدل feedforward  معمول می باشد و همچنین نسبت به دیگر تحقیقات انجام شده در این زمینه از میزان خطای پایین تری برخوردار است. همچنین تنها افزایش فاکتورهای ورودی شبکه عاملی برای افزایش کارایی نمی باشد بلکه استفاده از ورودی هایی که ارتباط معناداری با خروجی شبکه دارند نتایج بهتری را ایجاد خواهد کرد. در نهایت خروجی مدل بیانگر افزایش حداقل دما طی دوره آماری می باشد.

منابع و مأخذ:

1. ابراهیمی هروی، بهروز. کاظم رنگزن. حمیدرضا ریاحی بختیاری. ایوب تقی زاده. 1394. تعیین درجه حرارت سطح اراضی شهری با استفاده از تصاویر ماهواره لندست مطالعه موردی کرج، سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، سال ششم، شماره دو، بوشهر.


2. احمدی، اسماعیل. 1382.طبقه بندی تغییرات بارش بوشهر با استفاده از شبکه های عصبی مصنوعیANNمبتنی بر مدل خود سازنده کوهوننSOM، رساله کارشناسی ارشد، استاد راهنما: بهلول علیجانی، دانشگاه تربیت معلم، گروه اقلیم شناسی.


3. اسفندیاری درآباد، فریبا. سید اسعد حسینی. محمد آزادی مبارکی. زهرا حجازی زاده. 1389. پیش بینی میانگین دمای ماهانه ایستگاه سینوپتیک سنندج با استافده از مدل شبکه عصبی مصنوعی پرسپترون چند لایه، مجله جغرافیا، شماره27، تهران.


4. براتی، غلامرضا. 1375. طراحی و پیش بینی الگوهای سینوپتیک یخبندان های بهاره ایران، رساله دوره دکتری، استاد راهنما: بهلول علیجانی، دانشگاه تربیت مدرس، گروه اقلیم شناسی، تهران.


5. براتی، غلامرضا. سید شفیع موسوی. 1384. جابجایی مکانی موج‌‌های زمستانی گرما در ایران،جغرافیا و توسعه، شماره 5، زاهدان.


6. باقرزاده چهره،کیارش .1384. ارزیابی سیگنال های هواشناسی در پیش بینی خشکسالی با استفاده از شبکه های عصبی مصنوعی در استان تهران، پایان نامه دوره کاشناسی ارشد،استاد راهنما: سعید مرید، دانشگاه تربیت مدرس، دانشکده مهندسی، گروه عمران.


7. بیاتی خطیبی، مریم. فریبا کریمی. مجید زاهدی. داوود مختاری. 1390. بررسی تأثیرات وقوع خشکسالی  ﻫﺎی اﺧﻴﺮ در ﺗﺸﺪﻳﺪ ﻓﺮﺳﺎﻳﺶ ﺧﻨﺪﻗﻲ و رﺧﺪاد ﻟﻐﺰش  ﻫﺎ، ﻣﺼﻨﻮﻋﻲ درﺣﻮﺿﻪ آذرﺷﻬﺮﭼﺎی، ﺑﺎ اﺳﺘﻔﺎده از روش ﺷﺒﻜﻪ ﻋﺼﺒﻲ، ﻓﺼﻠﻨﺎﻣﻪ ﺗﺤﻘﻴﻘﺎت ﺟﻐﺮاﻓﻴﺎﻳﻲ، سال بیست و ششم، شماره دو، مشهد.


8. جلیلیان، امیرحسین. محمد دارند. 1391. ﭘﻴﺶ ﺑﻴﻨﻲ ﺑﺎرش اﺻﻔﻬﺎن ﺑﺎ اﺳﺘﻔﺎده از ﺷﺒﻜﻪ ﻫﺎی ﻋﺼﺒﻲ ﻣﺼﻨﻮﻋﻲ، ﻧﺸﺮﻳﻪ  ﺗﺤﻘﻴﻘﺎت ﻛﺎرﺑﺮدی علوم جغرافیایی، سال دوازدهم، شماره بیست و ششم، تهران.


9. جهانبخش، سعید. باصر باباپور. اکبر علی .1382. بررسی و پیش بینی متوسط دمای ماهانه ی تبریز با استفاده از مدل آریماARIMA، فصلنامه تحقیقات جغرافیایی، سال هجدهم، شماره سه، مشهد.


10. حجابی، سمیه. جواد بذرافشان. نوذر قهرمان. 1392. مقایسۀ مهارت مدلهای استوکاستیک و شبکه های عصبی مصنوعی در مدل سازی و پیش  بینی مقادیر و طبقات شاخص بارندگی استاندارد شده‌، پژوهش‌‌های‌ جغرافیای ‌طبیعی، سال چهل و پنجم، شماره دو، تهران.


11. حجازی زاده، زهرا. ابراهیم فتاحی. محمد سلیقه. فاطمه ارسلانی.1392. ﺑﺮرﺳﯽ ﺗﺎﺛﯿﺮ ﺳﯿﮕﻨﺎل ﻫﺎی اﻗﻠﯿﻤﯽ ﺑﺮ ﺑﺎرش ﻧﺎﺣﯿﻪ ﻣﺮﮐﺰی اﯾﺮان ﺑﺎ اﺳﺘﻔﺎده از ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ، ﻧﺸﺮﯾﻪ تحقیقات کاربردی علوم جغرافیایی، سال دوازدهم، شماره بیست و نهم، تهران.


12. خورشید دوست، علی محمد. مجتبی نساجی زواره. باقر قرمز چشمه. 1391. ﺑﺎزﺳﺎزی ﺳﺮی ﻫﺎی زﻣﺎﻧﯽ دﻣﺎی روش ﺣﺪاﮐﺜﺮ و ﺣﺪاﻗﻞ روزاﻧﻪ ﺑﺎ اﺳﺘﻔﺎده از ﻧﺰدﯾﮏ ﺗﺮﯾﻦ ﻫﻤﺴﺎﯾﻪ و ﺷﺒﮑﻪ های ﻋﺼﺒی ﻣﺼﻨﻮﻋﯽ ﻣﻄﺎﻟﻌﻪ ﻣﻮرد ی ﻏﺮب اﺳﺘﺎن ﺗﻬﺮان، ﻓﺼﻠﻨﺎﻣﻪی ﻋﻠﻤﯽ -ﭘﮋوﻫﺸﯽ ﻓﻀﺎی ﺟﻐﺮاﻓﯿﺎیی، سال دوازدهم، شماره سی و هشتم، اهر.


13. درواری، زهرا. وحید غلامی. عیسی جوکار سرهنگی. 1390. ﺷﺒﻴﻪ ﭼﺸﻤﻪ ﺳﺎزی آﺑﺪﻫﻲ  ﺷﺒﻜﻪ ﻫﺎی ﻛﺎرﺳﺘﻲ ﺑﺎ اﺳﺘﻔﺎده از  ﻣﺼﻨﻮﻋﻲ ی ﻋﺼﺒﻲ ﻣﻄﺎﻟﻌﻪ ﻣﻮردی ارتفاعات اﻟﺒﺮز مرکزی، پژوهش‌‌های‌ جغرافیای‌طبیعی، سال چهل و سوم، شماره هفتاد و هفتم، تهران.


14. دارند، محمد. زهرا دولتیاری. فریبا اصلانی اسلمرز. 1393 بررسی رفتار فرین‌های بارش و دمای کرمانشاه به کمک آزمون‌های آماری، فضای جغرافیایی، اهر.


15. رمضانی چرمینه، عبداله. محمد ذونعمت کرمانی. 1396. بررسی کارایی روشهای رگرسیون بردار پشتیبان، شبکه های عصبی پرسپترون چندلایه و رگرسیون خطی چند متغییره به منظور پیش بینی تراز سطح آبهای زیرزمینی مطالعه موردی.دشت شهرکرد، پژوهشنامه مدیریت حوزه آبخیز، سال هشتم، شماره پانزدهم، ساری.


16. رحیمی خوب، علی. محمدرضا بهبهانی. محمد هادی نظریفر. 1389. پیش بینی دمای هوای استان خوزستان بر اساس داده های ماهواره نوا و مدل شبکه عصبی مصنوعی، مجله علوم و فنون کشاورزی و منابع طبیعی، جلد 11، شماره 42، اصفهان.


17. زارع ابیانه، حمید. مریم بیات ورکشی. صفر معروفی. علیرضا ایلدرومی. 1390. شبیه سازی سطح ایستابی دشت ملایر براساس دادههای هواشناسی با استفاده از شبکه عصبی مصنوعی، پژوهش‌‌های‌جغرافیای‌طبیعی، سال چهل و سوم، شماره هفتادوهشتم، تهران.


18. زهتابیان، غلامرضا. حسن احمدی. علی اکبر نظری سامانی. امیرهوشنگ احسانی. مهدی تازه.1396. تعیین مهمترین پارامترهای ژئومرفومتری کمی در طبقه بندی دشت سرهای مناطق بیابانی با استفاده از شبکه های عصبی مصنوعی و آنالیز حساسیت، مجله منابع طبیعی ایران، سال هفتم، شماره یکم، کرج.


19. زهدی، رضا .1380. کاربردهای صنعتی منطق و شبکه های عصبی فازی، انتشارات انیستیتو ایزایران، تهران.


20. سازمان هواشناسی کشور. 1380. اقلیم و گردشگری در استان تهران. انتشارات وزارت راه وترابری و سازمان هواشناسی کشور، تهران.


21. صداقت کردار، عبدا... . ابراهیم فتاحی. 1378. شاخص های پیش آگاهی خشکسالی در ایران، مجله جغرافیا و توسعه، سال ششم ، شماره یازدهم، زاهدان.


22. عظیمی، عزیز. کاظم رنگزن. مصطفی کابلی زاده. محمد خرمیان. 1394. برآورد تبخیر و تعرق با استفاده از سنجش از دور، شبکه عصبی مصنوعی و مقایسه نتایج آن با روش پنمن- مانتیت- فائو در باغات مرکبات شمال خوزستان، سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، سال ششم، شماره چهارم، بوشهر.


23. علیجانی، بهلول. یوسف قویدل رحیمی. 1384. مقایسه و پیش بینی تغییرات دمای سالانه تبریز با ناهنجاری های دمایی کره زمین با استفاده از روش های رگرسیون خطی و شبکه عصبی مصنوعی، مجله جغرافیا و توسعه،  سال سوم، شماره ششم، زاهدان.


24. عزیزی، قاسم. محمود روشنی. 1386. مطالعة تغییر اقلیم در سواحل جنوبی دریای خزر به روش من-کندال، پژوهش‌های جغرافیایی، 64، تهران.


25. فرجام نیا،ایمان. ناصری، محسن. احمدی، سید محمد مهدی1386. پیش بینی قیمت نفت با دو روش ARIMA و شبکه های عصبی مصنوعی، فصلنامه پژوهش های اقتصادی ایران، سال نهم، شماره سی و دوم، تهران.


26. فلاح قالهری، غلامعباس. فهیمه شاکری. 1394. کاربرد شبکه های عصبی مصنوعی در پیش بینی بارش زمستانه، علوم ومهندسی آبخیزداری ایران، سال نهم، شماره سی و یکم ، کرج.


27. فرج زاده اصل، منوچهر. محمد احمدی. بهلول علیجانی. یوسف قویدل رحیمی. عباس مفیدی. ایمان بابائیان. 1392. بررسی وردایی الگوهای پیوند از دور و اثر آن ها بر بارش ایران، مجله پژوهش های اقلیم شناسی، سال چهارم، شماره پانزده، مشهد.


28. قویدل، رحیمی.1389. آﺷﻜﺎرﺳﺎزی آﻣﺎری اﺛﺮ ﮔﺮﻣﺎﻳﺶ ﺟﻬﺎﻧﻲ ﺑﺮ ﻧﺎﻫﻨﺠﺎری ﻫﺎ ی ﺑﺎرش ﺳﺎﻻﻧﺔ ﺟﻠﻔﺎ ﺑﺎ اﺳﺘﻔﺎده از ﺷﺒﻜﻪ ﻫﺎ ﻣﺼﻨﻮﻋﻲ، ﻣﺠﻠﻪ ﺟﻐﺮاﻓﻴﺎ و ﺑﺮﻧﺎﻣﻪ ریزی محیطی، سال بیست و یکم، شماره دو، اصفهان.


29. کرم، امیر. نازیلا یعقوب نژاداصل. 1392. ﻛﺎرﺑﺮد ﻣﻨﻄﻖ ﻓﺎزی در ارزﻳﺎﺑﻲ ﺗﻨﺎﺳب زﻣﻴﻦ ﺑﺮای ﺗﻮﺳﻌﻪ ﻛﺎﻟﺒﺪی ﺷﻬﺮﻣﻄﺎﻟﻌﻪ ﻣﻮردی ﻛﻼﻧﺸﻬﺮ ﻛﺮج، ﻓﺼﻠﻨﺎﻣﻪ ﻋﻠﻤﻲ ـ ﭘﮋوﻫﺸﻲ اﻧﺠﻤﻦ ﺟﻐﺮاﻓﻴﺎی اﻳﺮان، سال یازدهم، شماره سی و ششم، تهران.


30. کوچک زاده، مهدی. عارف بهمنی. 1384. ارزیابیعملکردشبکههایعصبیمصنوعیدرکاهش پارامترهایموردنیاز،جهتبرآوردتبخیروتعرقمرجع، مجله علمی-پژوهشی علوم کشاورزی، سال یازدهم، شماره چهار، تهران.


31. کیا، مصطفی1387.. شبکه های عصبی در MATLAB، انتشارات کیان رایانه سبز، تهران.


32. گتهیری، بهروز.1383. گزیده مطالعات محدودیتها و امکانات طبیعی، انتشارات مرکز مطالعات و تحقیقات شهرسازی و معماری ایران، تهران.


33. گلابی، محمدرضا. علی محمد آخوندعلی. فریدون رادمنش.1392. ﻣﻘﺎﯾﺴﻪ ﻋﻤﻠﮑﺮد اﻟﮕﻮرﯾﺘﻢ ﻫﺎی ﻣﺨﺘﻠﻒ ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ در ﻣﺪل ﺳﺎزی ﺑﺎرﻧﺪﮔﯽ ﻓﺼﻠﯽ ﻣﻄﺎﻟﻌﻪ ﻣﻮردی: اﯾﺴﺘﮕﺎهﻫﺎی ﻣﻨﺘﺨﺐ اﺳﺘﺎن ﺧﻮزﺳﺘﺎن، ﻧﺸﺮﯾﻪ تحقیقات کاربردی علوم جغرافیایی، سال سیزدهم، شماره سی ام، تهران.


34. متراتا، ماریوس.2006. بررسی کاربردهای شبکه های عصبی مصنوعی و منطق فازی در سیستم های پیش بینی هیدرولوژیکی و عملیاتی، ترجمه پرویز خسروی عباس رهدار، کنفرانس دیدبانی آب و سیستم اطلاعات جهت حمایت از تصمیم گیری ها در جمهوری مقدونیه.


35. محمدپور، رضا. فرهنگ محمدپور. 1393. پیش بینی تغییرات عمق آبشستگی در اطراف گوشواره ی پلها با استفاده از سامانه منطق فازی-عصبی،ANFIS و شبکه های عصبی،ANNs، مجله مهندسی منابع آب، سال هفتم، شماره بیستم، مرودشت.


36. محمدی، حسین. فیروز رنجبر. معصومه مقبل. 1395. اثرات گرمایش جهانی بر دمای کمینه ایران، فصلنامه علمی پژوهشی و بین المللی انجمن جغرافیای ایران، سال چهاردهم، شماره پنجاه و یک، تهران.


37. محنت کش، عبدالمحمد. شمس ا... ایوبی. احمد جلالیان. امیراحمد دهقانی. 1395. مقایسه مدل های رگرسیون چند متغیره خطی و شبکه های عصبی مصنوعی برای براورد عملکرد گندم دیم در مناطقی از زاگرس مرکزی، نشریه زراعت دیم ایران، سال پنجم، شماره دو، مراغه.


38. مجرد قره باغ، فیروز .1376. تحلیل و پیش بینی یخبندان در آذربایجان، رساله دوره دکتری، استاد راهنما: علی اصغر موحددانش، دانشگاه تربیت مدرس، گروه جغرافیا، تهران.


39. ناهی، سعید. 1384. پیش بینی بار روزهای خاص و تعطیل در شبکه فوق توزیع به کمک شبکه عصبی و فازی، کنفرانس سیستم های فازی ، شیراز.


40. ندیری، عطاا... . کیوان نادری. اصغر اصغری مقدم. محمد حسن حبیبی.1395. پیش بینی زمانی و مکانی سطح آب زیرزمینی با استفاده از روش های هوش مصنوعی و زمین آمار مطالعه مورد: آبخوان دشت دوزدوزان، نشریه علمی پژوهشی جغرافیا و برنامه ریزی، سال بیستم، شماره پنجاه و هشت، تبریز.


41. نورانی، وحید. مینا سیاح فرد. 1392. آنالیز حساسیت داده های ورودی به شبکه عصبی مصنوعی به منظور برآورد مقدار تخیر روزانه، آب و فاضلاب، شماره 3، اصفهان.


42. نورسیس، ماریجا. 1383. آموزش آنالیز آماری داده ها در SPSS، ترجمه اکبر فتوحی و فریبا اصغری، انتشارات کانون نشر علوم، تهران.


43. ولی، عباسعلی. محمد حسین رامشت. عبدا... سیف. رضا قضاوی.1390. ﻣﻘﺎﻳﺴﻪ ﻛﺎرآﻳﻲ ﻣﺪل ﺷﺒﻜﻪ ﻫﺎی  و ﻫﺎی ﻋﺼﺒﻲ ﻣﺼﻨﻮﻋﻲ  ﭘﻴﺶ رﮔﺮﺳﻴﻮن ﺑﺮای  ﺑﻴﻨﻲ ﺑﺎر رﺳﻮب ﺟﺮﻳﺎن آﺑﺨﻴﺰ ﻣﻄﺎﻟﻌﻪ ﻣﻮردی ﺣﻮﺿﻪ  ﺳﻤﻨﺪﮔﺎن، ﻣﺠﻠﻪ ﺟﻐﺮاﻓﻴﺎ و ﺑﺮﻧﺎﻣﻪ، سال بیست و دوم، شماره چهل و چهار، تبریز.


44. یزدان پناه، حجت اله. غلامعلی کمالی. داریوش رحیمی.  1387.  تعیین پتانسیل اقلیمی کشت گندم دیم در استان آذربایجان شرقی به کمک شبکه های عصبی هوشمند و GIS، تحقیقات جغرافیایی، سال بیست و سوم، شماره دو، مشهد.:

1. Aksoy, H., Ahmad, D. 2009. Artificial neural network models for forecasting monthly precipitation in Jordan, Stochastic Environmental Research and Risk Assessment, 23(7),  pp. 917 – 931.

1. Aussem, A., Murtagh, F, and Sarazin, M. 1995. Dynamical recurrent neural networks - towards environmental time series prediction, International Journal of Neural Systems, 6(2), pp. 145-170.


2. Argaud, L., Tristan F., Quoc-Hung L., Aure´lia, M., Diana, C., Pierre, A., Roland, D., Dominique, R. 2007. Short- and Long-Term Outcomes of Heatstroke Following the 2003 Heat Wave in Lyon, France, Arch Intern Med, 167 (20), pp. 2177-2183.


3. Ashour, M.A., Elzahaby, S.A., Abdalla, M.I 2016. Backpropaagation Neural Network  Approach for mean temperature prediction, Journal of IJRRAS, vol 29, NO 1, PP, 12-18.


4. Bodri , L.,Cermak,V. 2003. Prediction of Surface Air Temperatures by Neural Network, Example Based on Three-Year Temperature Monitoring at Spořilov Station, Studia Geophysica et Geodaetica, 47(1), pp. 173-184.


5. Bare, M. A., Rodier, J. A. 1985. Hydrological Aspects of Drought, UNESCO-WMO.


6. Hamzacebi, C. 2008. Improving artificial neural networks’ performance in seasonal time series forecasting, Information Sciences, 178(23), pp.  4550–4559.


7. Hulya, K.D., Erdogan, O., Cevdet, M. 2006. The use of neural networks for the prediction of wear loss and surface roughness of AA 6351 aluminium alloy, Materials & Design, 27(2), pp. 156-159.


8. Kermanshahi, B., 1998 .Recurrent neural network for forecasting next 10 years loads of nine Japanese utilities, Neurocomputing, 23(1-3), pp. 125-133.


9. Litta, A.J., Sumam, M., and Mohanty, U.C 2013. Artificial Neural Network Model in Prediction of Meteorological Parameters during Premonsoon Thunderstorms,” International Journal of Atmospheric Sciences, vol. Article ID 525383, pp,1-14. https.//doi.org/10.1155/2013/525383.


10. Parida, B.P., Moalafhi, D.B., Kenabatho, P.K. 2006. Forecasting runoff coefficients using ANN for water resources management: The case of Notwane catchment in Eastern Botswana, Physics and Chemistry of the Earth, Parts A/B/C, 31(15),16, pp. 928-934.

9. Imran,M., Khan,M.R., Ajith,A. 2004. An ensemble of neural networks for weather forecasting, Neural Computing & Applications,13(2), pp. 112-122.

12. Makkeasorn, A., Chang, N. B., Zhou, X. 2008. Short-term Stream Flow Forecasting with Global Climate Change Implications – A Comparative Study between Genetic Programming and Neural Network Models, Journal Hydrology,352(3-4), pp. 336-354.

14. Pritpal, S., Bhogeswar, B. 2013. Indian semmer monsoon rainfall prediction using artificial neural network, Stochastic Environmental Research and Risk Assessment, 27(7), pp. 1585-1599.


15. Romano, M., Shie-Yui, L., Minh T., Pavlo Z., ChiDung, D., MyHa, D., Pavel, T. 2009. Artificial neural network for tsunami forecasting, Asian Earth Sciences, 36(1), pp. 29-37.


16. Samani, N., Gohari-Moghadam, M., Safavi, A.A. 2007. A simple neural network model for the determination of aquifer parameters, Journal Hydrology, 340(1,2), pp. 1-11.