AU - Faghih, H TI - Evaluating Artificial Neural Network and its Optimization Using Genetic Algorithm in Estimation of Monthly Precipitation Data (Case Study: Kurdistan Region) PT - JOURNAL ARTICLE TA - JSTNAR JN - JSTNAR VO - 14 VI - 51 IP - 51 4099 - http://jstnar.iut.ac.ir/article-1-1207-fa.html 4100 - http://jstnar.iut.ac.ir/article-1-1207-fa.pdf SO - JSTNAR 51 AB  - برآورد توزیع مکانی بارش برای اجرای طرح های مطالعات منابع آب، خشک‌سالی، طرح های آمایش سرزمین، محیط زیست، آبخیزداری و طرح های جامع کشاورزی ضروری می-باشد. تغییرات زیاد مقدار بارش در نقاط مختلف، کمبود ایستگاه های اندازه گیری و پیچیدگی ارتباط بارش با پارامترهای اثرگذار بر آن، اهمیت توسعه روش های کارآمد را در برآورد توزیع مکانی بارش دو چندان می نماید. شبکه عصبی مصنوعی به عنوان یک روش نوین، در مدل سازی و پیش بینی فرآیندهایی که برای شناخت و توصیف دقیق آنها راه حل و رابطه صریحی وجود نداشته، موفق بوده است. این تحقیق با هدف بررسی کارایی شبکه عصبی مصنوعی در برآورد مکانی بارش ماهانه انجام گرفت. بدین منظور شبکه عصبی با ساختار پرسپترون چند لایه برای تدوین مدل برآورد مکانی بارش در پنج ایستگاه سینوپتیک و باران سنجی، واقع در استان کردستان، به کارگرفته شد. برای طراحی ساختار مدل در هر ایستگاه، با تغییر پارامترهای قابل تنظیم، (شامل تابع انتقال، قانون آموزش، مقدار مومنتم، تعداد لایه پنهان، تعداد نرون لایه پنهان و تعداد الگوها)، شبکه های عصبی مختلف ساخته و اجرا شد. در هر مورد، ساختاری که کمترین مقدار جذر میانگین مربعات خطا (RMSE) را داشت به عنوان مدل نهایی انتخاب گردید. از آنجا که انتخاب هر یک از پارامترهای متغیر شبکه عصبی مستلزم آزمون و خطاهای مکرر و در نتیجه آموزش تعداد زیادی شبکه با ساختار مختلف بود، از روش الگوریتم ژنتیک برای بهینه یابی این پارامترها استفاده شد و کارایی این روش در بهینه سازی شبکه عصبی بررسی گردید. نتایج نشان داد، شبکه عصبی در مدل سازی و برآورد مکانی بارش ماهانه از دقت بالایی برخوردار است. هم‌چنین تلفیق آن با الگوریتم ژنتیک، برای بهینه‌سازی شرایط اجرای شبکه عصبی، مثبت ارزیابی گردید و روش تلفیقی در اکثر موارد برتری خود را نسبت به اجرای شبکه عصبی بدون بهینه سازی نشان ‌داد. دقیق ترین مدل در همه ایستگاه های مورد مطالعه، با استفاده از تابع انتقال سیگموئید و قانون آموزش لونبرگ مارکوارت حاصل گردید. در مدل های منتخب، مقدار ضریب تبیین (2R) بین مقادیر خروجی مدل و داده های مشاهده شده در ایستگاه، برابر با 86/0، 89/0، 94/0، 77/0 و 94/0 به دست آمد. CP - IRAN IN - LG - eng PB - JSTNAR PG - 27 PT - Research YR - 2010