Evaluation of the Artificial Neural Network Performance in Estimating Rainfall using Climatic and Geographical Data (Case study: Fars Province)

Document Type : Original Article

Authors

1 Assistant Professor, Department of water engineering, College of Agriculture, Fasa University, Fasa, Iran

2 department of plant production, faculty of agriculatur, university of torbat heydarieh

3 Associate Professor, Department of Water Engineering, Faculty of Agriculture, Fasa University.

4 Assistant Professor, Department of Water, Wastewater, and Environmental Engineering, Faculty of Civil, Water, and Environmental Engineering, Shahid Beheshti University.

Abstract

Precipitation forecasting is essential in maintaining, managing, allocating, and distributing water resources, determining the volume of water facilities, supplying the crops' water requirement, and determining the amount of erosion and sedimentation. This research aimed to investigate the performance of artificial neural networks in predicting monthly rainfall based on climatic and geographic information such as minimum and maximum temperature, minimum and maximum humidity, precipitation, latitude and longitude, and altitude above sea level in 23 stations of the Fars province. The results on levels 5, 10, and 18 of input data showed that the model accuracy in estimating the monthly rainfall increases with the increment in the number of inputs. The most accurate neural network model is in the rank normalization method with one hidden layer, and also, the best network structures are 5-25-1, 10-30-1, and 18-20-1, respectively. The results indicated that the neural network with 18 inputs has the smallest MSE=0.032 and the highest R=0.62. The best normalization method is the ranking method with an optimal neural network of one layer and 5-25-1 structure, the Levenberg-Marquardt training algorithm, and the sigmoid tangent stimulus function. Therefore, by using an artificial neural network (with 18 introduced inputs), it is possible to predict the amount and distribution of monthly rainfall in a wide area with acceptable accuracy. This issue plays a very decisive role in the management and planning of drinking and agricultural water resources; by taking into account these forecasts, future policies can be planned to optimize costs and maximum productivity facilities.

Keywords

Main Subjects

References

ادب، ح.، غ.  فلاح­قالهری، و ر. میرزابیاتی. 1387. ارزیابی روش­های میان­یابی کریجینگ و رگرسیون خطی بر پایه  DEMدر تهیه نقشه همبارش سالانه در استان خراسان رضوی، همایش ژئوماتیک 1387.
ایلدرومی، ع. ر.، ح. زارع­ابیانه، و م. بیات­ورکشی. ۱۳۹۲. برآورد بارش به کمک شبکه عصبی مصنوعی با داده­های هواشناسی غیربارشی در سه منطقه شیراز، مشهد و کرمان. نشریه علمی­پژوهشی جغرافیا و برنامه­ریزی. ۱۷(۴۳): ۲۱- ۴۰.
بهرامی، م.، م. ج. امیری،  ف. رضایی­مهارلویی، و ک. غفاری. 1396. اثر پیش­پردازش داده بر عملکرد شبکه عصبی­مصنوعی به­منظور پیش­بینی بارش ماهانه (مطالعه موردی: شهرستان آباده). اکوهیدرولوژی. 1: ۲۹-۳۷.
بهرامی، م.، م. توکل­صدرآبادی، و ع. ا. زارعی. 1394. تحلیل شدت- مدت- فراوانی خشکسالی و روند تغییر بارش در شیراز. مجله علمی- پژوهشی مهندسی آبیاری و آب. 21: ۵۹-۷۴.
حسینی، س. ف.، ج. بهمنش، و. رضاوردی نژاد، و ن. خان محمدی. 1401. ارزیابی عملکرد مدل­های هوشمند در تخمین دمای نقطه شبنم با استفاده از پارامترهای هواشناسی. دانش آب و خاکdoi: 10.22034/ws.2021.30995.2211
حلبیان ا. ح.، و م. دارند. 1391. پیش بینی بارش اصفهان با استفاده از شبکه های عصبی مصنوعی. نشریه تحقیقات کاربردی علوم جغرافیایی ۱۲ (۲۶) :۴۷-۶۳
خلیلی، ن.، س. ر. خداشناس، ک. داوری، و م. موسوی­بایگی. ۱۳۸۷. پیش­بینی بارش ماهانه با استفاده از شبکه­های عصبی­مصنوعی (مطالعه موردی: ایستگاه سینوپتیک مشهد). مجله علوم و صنایع کشاورزی (ویژه آب و خاک). ۲۲(۱): ۸۹- ۹۸.
خوشحال­دستجردی، ج. و ی. قویدل­رحیمی. 1387. بررسی رابطة تغییرات بارش سالیانه تبریز با ناهنجاری­های دمایی کرة زمین و شبیه سازی عددی آن با استفاده از شبکة عصبی مصنوعی، فصلنامه مدرس علوم انسانی. ۱۲(۲): 29-51.
روشان، س. ح.، ک. شاهدی، و م. حبیب نژاد روشن. 1400. مقایسه عملکرد روش‌های هوش مصنوعی ANN و SVM در مدل‌سازی فرایند بارش– رواناب (مطالعه موردی: حوضه آبخیز کارون شمالی). مجله علوم آب و خاک. ۲۵ (۲) :۷۷-۹۰.
فلاح­قالهری، غ. ح.، م. موسوی­بایگی، و م. حبیبی­نوخندان. ۱۳۸۷. پیش­بینی بارش فصلی فصلی بر اساس الگوهای سینوپتیکی با استفاده از سیستم استنباط فازی عصبی تطبیق (ANFIS). پژوهش­های جغرافیای طبیعی. ۶۶: ۱۲۱- ۱۳۹.
قربانی­دشتکی، ش.، م. همایی، و م. ج. مهدیان. ۱۳۸۸. برآورد پارامترهای نفوذ آب به خاک با استفاده از شبکه­های عصبی­مصنوعی. مجله آب و خاک (علوم و صنایع کشاورزی). ۲۳(۱): ۱۸۵- ۱۹۸.
قلی زاده، م.، و م. دارند. 1389. پیش بینی بارش ماهانه با استفاده از شبکه های عصبی مصنوعی (مورد: تهران). پژوهش­های جغرافیای طبیعی (پژوهش های جغرافیایی). 42(71): 51-63.
کارآموز، م.، ف. رمضانی،  و س. رضوی. 1385. پیش­بینی بلندمدت بارش با استفاده از سیگنال­های هواشناسی: کاربرد شبکه­های عصبی­مصنوعی. هفتمین کنگره بین المللی مهندسی عمران، تهران، ایران.
کریمی­گوغری، ش.، و ا. اسلامی. ۱۳۸۷. پیش­بینی بارندگی سالانه در استان کرمان با استفاده از شبکه­های عصبی­مصنوعی. مجله آبیاری و زهکشی ایران. ۲(۲): ۱۲۳- ۱۳۲.
محمدی، م.، ح. وقارفرد، ر. مهدوی نجف آبادی، پ. دانشکارآراسته، و س. ناظم السادات. 1400. مدل سازی بارش رواناب آبخیزهای مناطق ساحلی در نزدیکی تنگه هرمز با استفاده از روش های داده کاوی. تحقیقات آب و خاک ایران (علوم کشاورزی ایران), 52(2): 327-313.
Anochi, J.A., V.A. de Almeida and H.F. de Campos Velho. 2021. Machine Learning for Climate Precipitation Prediction Modeling over South America. Remote Sens, 13: 2468. https://doi.org/10.3390/rs13132468
Antonic, O., J. Krizan, A. Marki and D. Bukovec. 2001. Spatio- temporal interpolation of climatic variables over large region of complex terrain using neural networks. Ecological modeling, 138: 255- 263.
Bahrami, M. and M.R. Mahmoudi. 2020. Rainfall modelling using backward generalized estimating equations: a case study for Fasa Plain, Iran. Meteorology and Atmospheric Physics, 132:1-9.
Boderi, L. and V. Cermak. 2000. Predicting of extreme precipitation using a neural network: (Application to summer flood occurrence in Moravia). Advances in engineering software, 31: 311- 321.
Bustami, R., N. Bessaih, C. Bong and S. Suhaili. 2007. Artificial Neural Network for Precipitation and Water Level Predictions of Bedup River. IAENG International Journal of Computer Science, 34: 2-10.
Dahamsheh, A. and H. Aksoy. 2009. Artificial neural network models for forecasting monthly precipitation in Jordan. Stochastic Environmental Research and Risk Assessment, 23: 917-931
El-Shafie, A.H, A. El-Shafie, H.G. El. Mazoghi, A. Shehata and M.R. Taha. 2011. Artificial Neural Network Technique for Rainfall Forecasting Applied to Alexandria." International Journal of the Physical Sciences, 6: 1306-1316.
Halff, A.H., M. Henry and M. Azmoodeh. 1993. Predicting runoff from rainfall using artificial neural network model. ASCE. New York. Pp. 760- 766.
Hung, N.Q., M.S. Babel, S. Weesakul and N.K. Tripathi. 2008. An Artificial Neural Network Model for Rainfall Forecasting in Bangkok, Thailand. Hydrology and Earth Sciences Discussion, 5: 183-218.
Karen, A.L.S. 2010. Comparison of Adaptive Methods Using Multivariate Regression Splines (MARS) and Artificial Neural Networks Backpropagation (ANNB) for the Forecast of Rain and Temperatures in the Mantaro River Basin. Hydrology Days, pp: 58-68.
Maria, C., F. Haroldo and N. Ferreira. 2005. Artificial Neural Network Technique for Rainfall Forecasting Applied to the Sao Paulo Region. Journal of Hydrology, 301: 146-162.
 

Files

Share

How to cite

Statistics