AU - Biazar, seyedmostafa AU - ghorbani, Mohammad Ali AU - shahedi, kaka TI - Uncertainty of Artificial Neural Networks for Daily Evaporation Prediction (Case Study: Rasht and Manjil Stations) PT - JOURNAL ARTICLE TA - jwmr JN - jwmr VO - 10 VI - 19 IP - 19 4099 - http://jwmr.sanru.ac.ir/article-1-711-fa.html 4100 - http://jwmr.sanru.ac.ir/article-1-711-fa.pdf SO - jwmr 19 AB  - در این تحقیق کاربرد شبکه عصبی پرسپترون چندلایه (MLP) برای پیش ­بینی تبخیر روزانه در دو ایستگاه سینوپتیک رشت و منجیل واقع در استان گیلان در شمال­ ایران بررسی گردیده است. ابتدا با استفاده از آزمون گاما مهم­ترین ترکیب از پارامترهای هواشناسی برای هر دو ایستگاه شناسایی و مدل­سازی براساس ترکیب بهینه صورت گرفت. نتایج مدل شبکه عصبی مصنوعی- آزمون گاما (ANN-GT) با استفاده از معیارهای ارزیابی مدل همچون مجذور میانگین مربعات خطا (RMSE) ضریب همبستگی (CC) و ضریب ناش-ساتکلیف (NS) ارزیابی شده است. نتایج نشان داد که مدل (ANN-GT) برای ایستگاه رشت با ضریب همبستگی 86/0، مجذور میانگین مربعات خطا 95/0، ضریب ناش-ساتکلیف 74/0 و ایستگاه منجیل با ضریب همبستگی 94/0، مجذور میانگین مربعات خطا 58/1، ضریب ناش-ساتکلیف 89/0، دارای عملکرد قابل قبولی در پیش­ بینی تبخیر روزانه می ­باشد. برای بررسی عدم قطعیت، درصدی از داده­ های مشاهده شده که در محدوده باند پیش­بینی عدم قطعیت 95 درصد (95PPU) قرارگرفته­ اند (P-factor) و عرض متوسط باند (d-factor) برای مدل، مدنظر قرار داده شد. بنابر نتایج عدم قطعیت، عرض متوسط باند عدم قطعیت (d-factor) برای ایستگاه رشت (30/0) و برای منجیل (33/0) برآورد شد. این امر حاکی از عدم قطعیت پایین مدل شبکه عصبی مصنوعی-آزمون گاما (ANN-GT) در پیش ­بینی تبخیر روزانه برای هر دو ایستگاه می­ باشد. همچنین درصد داده­ های مشاهداتی در باند (95PPU) برای رشت 25 و برای منجیل 45 درصد به­دست آمد. دلیل پایین بودن این مقادیر رامی ­توان، وجود عدم قطعیت­ های کوچک در پارامترها ذکر کرد. CP - IRAN IN - Seyedmostafa.b@gmail.com LG - eng PB - jwmr PG - 1 PT - Research YR - 2019