برآورد آب قابل بارش با استفاده از اطلاعات واحد گمانه زن مایکروویو پیشرفته و به روش معکوس شبکه های عصبی

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.