استكمال قيم الهطل المطري اليوميّة المفقودة في محطّة تلكلخ باستخدام الشبكات العصبيّة الاصطناعيّة

Abstract

استكمال قيم الهطل المطري اليوميّة المفقودة في محطّة تلكلخ
باستخدام الشبكات العصبيّة الاصطناعيّة

غطفان عبد الكريم عمّار

علاء علي سليمان

عامر قصي الدرويش

تعتبر بيانات الهطل المطري من البيانات الأساسيّة لكافة الدراسات المتعلّقة بتصميم المنشآت المائيّة ودراسات الموازنة المائيّة للأحواض الساكبة ، إلا أنّ وجود ضياعات في هذه البيانات أو ثغرات ضمن السلاسل الزمنيّة يشكّل عائقاً لإجراء هذه الدراسات بالشكل الأمثل، تهدف هذه الدراسة إلى استكمال قيم الهطل المطري اليوميّة في محطّة تلكلخ المناخيّة باستخدام الشبكات العصبيّة الاصطناعيّة، التي تستخدم القيم اليوميّة للهطل المطري في المحطات المجاورة كمدخلات، وقد استُخدمت خوارزميّة الانتشار العكسي في عمليّة تدريب وتحقيق الشبكة مع تغيير طرائق التدريب وعدد الطبقات الخفيّة وعدد العصبونات في كل طبقة منها، وأظهرت النتائج قدرة نماذج الشبكات العصبيّة الاصطناعيّة على استكمال القيم اليوميّة المفقودة للهطل المطري، وبمعاملات ارتباط تزيد على 90% خلال مراحل التحقق لمختلف النماذج. وتوصي هذه الدراسة باستخدام أسلوب الشبكات العصبيّة الاصطناعيّة لتحديد العناصر الأكثر تأثيراً على استكمال بيانات الهطل المطري المفقودة.

Precipitation datasets are basic for all studies that related with the design of water structures and water balance studies. However, losses in these data or gaps in the time series is an obstacle to conducting these studies in the optimal manner, the aim of this study is to fill the Daily Precipitation data in Tal-Kalakh station using Artificial Neural Networks (ANNs), which Daily Precipitation in other meteostations around it as inputs. The network was trained and verified using a back-propagation algorithm with different learning methods, number of processing elements in the hidden layer(s), and the number of hidden layers. Results shown good ability of Artificial Neural Network models to estimate of the daily precipitation values with different inputs, the correlation coefficient was over 90 % for the validation data set in all models. This study recommends using the artificial neural networks approach to identify the most effective parameters to predict Precipitation.