انجمن آبخیزداری ایران مجله اکوهیدرولوژی 2423-6098 4 1 2017 03 21 Prediction of Monthly Precipitation Based on Large-scale Climate Signals Using Intelligent Models and Multiple Linear Regression (Case Study: Semnan Synoptic Station) پیش‌بینی بارش ماهانه بر اساس سیگنال‌های بزرگ‌مقیاس اقلیمی با به‌کارگیری مدل‌های هوشمند و رگرسیون خطی چندگانه (مطالعه موردی: ایستگاه سینوپتیک سمنان) 201 214 60903 10.22059/ije.2017.60903 FA مجید محمدی دانشجوی دکتری، گروه مهندسی آب و سازه‏های هیدرولیکی، دانشکدۀ مهندسی عمران، دانشگاه سمنان حجت کرمی استادیار، گروه مهندسی آب و سازه‏های هیدرولیکی، دانشکدۀ مهندسی عمران، دانشگاه سمنان سعید فرزین استادیار، گروه مهندسی آب و سازه‏های هیدرولیکی، دانشکدۀ مهندسی عمران، دانشگاه سمنان علیرضا فرخی دانشجوی دکتری، گروه مهندسی آب و سازه‏های هیدرولیکی، دانشکدۀ مهندسی عمران، دانشگاه سمنان Journal Article 2016 12 20 Large-scale climatic signals including ocean-atmosphere interactions, are the main factors influencing the earth’s climatic oscillations and are the most important indices in predicting of climate variables. In this research, precipitation in the next month was predicted by applying artificial neural network (ANN), neuro-fuzzy network (NFN), and multiple linear regression (MLR) in Semnan synoptic station. For this purpose, monthly series of precipitation of Semnan synoptic station and signals of large-scale climate signals were used during a period of 45 years (1966–2010). From 540 monthly time series, the first 80% was used for training and the other 20% for testing. Performance of the models was compared by using correlation coefficient (R), mean absolute error (MAE), and root mean square error (RMSE) criteria. Results of the validation step showed that the obtained correlation coefficients (0.829, 0.793 and 0.767) are related to ANN, ANFIS and MLR models. Based on the results of this study, the next month’s precipitation of Semnan synoptic station could be predicted by ANN, NFN and MLR models, respectively.                          سیگنال‏های بزرگ‏مقیاس اقلیمی شامل کنش‏های جوّی‌ـ ‏اقیانوسی، از عوامل اصلی مؤثر بر نوسانات اقلیمی زمین هستند و شاخص‏های بسیار مهمی در پیش‏بینی متغیرهای اقلیمی محسوب می‏شوند. در این پژوهش، با به‏کارگیری مدل‏های شبکۀ عصبی مصنوعی، شبکۀ فازی‌ـ ‏عصبی و رگرسیون خطی چندگانه، بارش ماه آتی در ایستگاه سینوپتیک سمنان پیش‏بینی شد. بدین‌منظور، از سری زمانی ماهانۀ بارش ایستگاه سینوپتیک سمنان و سیگنال‏های بزرگ‏مقیاس اقلیمی طی یک دورۀ 45 ساله (1966‌ـ 2010 میلادی) استفاده شد. سیگنال‏های مؤثر بر بارش ماه آتی با استفاده از تحلیل رگرسیون خطی گام‏به‏گام تعیین شدند و به‏عنوان متغیرهای ورودی در مدل‏های استفاده‌شده، انتخاب شدند. از 540 سری دادۀ ماهانه، 80 درصد ابتدایی برای آموزش و 20 درصد ‌باقی برای آزمون صحت‏سنجی مدل‏ها استفاده شدند. عملکرد مدل‏ها با معیارهای ارزیابی ضریب همبستگی، میانگین قدر مطلق خطا و ریشۀ میانگین مربعات خطا مقایسه شد. نتایج صحت‏سنجی نشان داد ضرایب همبستگی به‏دست‏آمده (829/0، 793/0 و 767/0) به‌ترتیب مربوط به مدل‏های شبکۀ عصبی مصنوعی، شبکۀ فازی‌ـ ‏عصبی و رگرسیون خطی چندگانه‌اند. بر‌اساس نتایج این تحقیق، می‏توان برای پیش‏بینی بارش ماه آتی ایستگاه سینوپتیک سمنان، به‌ترتیب از مدل‏های شبکۀ عصبی مصنوعی، شبکۀ فازی‌ـ ‏عصبی و رگرسیون خطی چندگانه استفاده کرد. <strong> </strong> https://ije.ut.ac.ir/article_60903_6c0e39b3351a7ef42a02147b14c31879.pdf