Assessment of NARX Neural Network in Prediction of Daily Precipitation in Kerman Province
Subject Areas : Climatology
Kamal
Omidvar
1
(استاد گروه اقلیم شناسی، دانشگاه یزد، ایران)
Maasomeh
Nabavizadeh
2
(کارشناس ارشد اقلیم شناسی، دانشگاه یزد، ایران)
Meysam
Samarehghasem
3
(کارشناس ارشد هوش مصنوعی، دانشگاه باهنر، ایران)
Keywords: Precipitation Forecasting, Perceptron Neural Networks, Nonlinear Autoregressive External Neural Networks, Kerman, Baft, Miandeh Jiroft,
Abstract :
Precipitation is one of important parameters of climatology and atmospheric science that have more importance in human life. recently, extensive flood and drought entered many damage to most parts of the world. Precipitation forecasting has important role in management and warning of this problem. Due to the interaction of various meteorological parameters in the calculation of rain, leads it to a very irregular and chaotic process. The purpose of this study, assessment of forecasting precipitation, using data from meteorological stations of the using common statistical period (2012-1989) in Kerman, Baft, Miandeh Jiroft. In this way, to the training of the artificial neural networks with structure Perceptron, Nonlinear Autoregressive External. Effective Factors in the rain, as input for Artificial Neural Networks and precipitation was considered as the output of the Network. Statistic indicators MSE, R were used for performance evaluation of the models. The analysis of output results from, Nonlinear Autoregressive External Neural Networks shown that these models have better accuracy and a high ability to forecast precipitation than Perceptron Neural Networks. The results showed the more exact method concerned to the (NARX) model. The 42 models with all parameters with Levenberg Marquat rule and sigmoid function had the best topology of the model in three stations. Overall, evaluation of NARX results showed that the errors of ANN were negligible. The NARX showed high sensitivity to relative humidity.
1- افخمی،ح.، دستورانی، م.ت.، ملکی نژاد،ح.، مبین،م.ح.، (1389): بررسی تأثیر عناصر اقلیمی بر افزایش دقّت روش شبکه عصبی مصنوعی در پیش بینی خشک سالی منطقه یزد، علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک، شماره 51،169-158.
2- اژدرپور، م. (1387): پیش بینی رابطه بارش رواناب به روش شبکه عصبی مصنوعی در حوضه آبریز رودخانه اعظم هرات، پایاننامه کارشناسی ارشد دانشگاه یزد، دانشکده علوم انسانی،100-1.
3- بهارلو، ر.، (1388): پیش بینی سری زمانی با وابستگیهای دراز مدّت با استفاده از شبکه عصبی بازگشتی NARX، دوازدهمین کنفرانس دانشجویی مهندسی برق، ص1:6،
4- حلبیان، ا.م.، (1388): پیش آگاهی و برآورد بارش یزد با استفاده از شبکه عصبی مصنوعی، نشریه تحقیقات کاربردی علوم جغرافیا، جلد 11، شماره14، ص 8:28،
5- خلیلی، ن.؛ خداشناس، س.، ر.، داوری، ک.، موسوی بایگی، م.، (1389): پیش بینی بارش روزانه با شبکههای عصبی مصنوعی، مطالعه موردی: ایستگاه سینوپتیک مشهد، پژوهشهای آبخیزداری، شماره 89، ص 8:15.
6- خسروی م.، شکیبا، ه.، (1389): پیش بینی بارش با استفاده از شبکههای عصبی مصنوعی به منظور مدیریت سیل ایرانشهر، مجموعه مقالات چهارمین کنگره بین المللی جغرافی دانان جهان اسلام، 21-2.
7- قلّی زاده م.ح. و دارند،م. (1388): پیش بینی بارش ماهانه با استفاده از شبکههای عصبی مصنوعی (مورد تهران)، مجله پژوهشهای جغرافیای طبیعی، 71، صص 63-51.
_||_8- Ardalani, A., Zolfaghari, S., (2010): "Chaotic Time Series Prediction With Residual Analysis Method Using Hybrid Elman–NARX Neural Networks" Neurocomputing 73, 2540–2553.
9- Diaconescu, E., (2008): "The Uuse of NARX Neural Networks to Predict Chaotic Time Series",Wseas Transactions on Computer Research, pp, 182-191.
10- Hall, T., Brooks, H.E., Doswell, C. A. (1999):"Precipitauion Forecasting Using a Neural Network",Weather and Forecasting, No. 144, 338-345.
11- Hung, N. Q. Babel, Weesakul, M. S. S. and Tripathi N. K., (2008): "An Artificial Neural t-justify:kashida;text-kashida:0%;text-indent:-14.15pt;line-height:normal; tab-stops:14.1pt;direction:rtl;unicode-bidi:embed'>7- قلّی زاده م.ح. و دارند،م. (1388): پیش بینی بارش ماهانه با استفاده از شبکههای عصبی مصنوعی (مورد تهران)، مجله پژوهشهای جغرافیای طبیعی، 71، صص 63-51.
