پیش بینی بارش با استفاده از شبکه عصبی عمیق (خود رمزگذار پشته ای تنک با نویززدا مبتنی بر نرون سخت)

در جهان امروز، توسعه سریع و پایدار، هدف اصلی تمامی کشورها می باشد. اصلیترین محدودیت پیش روی توسعه پایدار، محدودیتهای اقلیمی، از جمله بارش ناکافی همراه با پراکندگی نامناسب مکانی- زمانی است و بیشترین همبستگی را با حوادث ناگوار طبیعی دارد. یکی از روش های مورد استفاده برای پیش بینی در حوزه های مختلف شبکه های عصبی مصنوعی می باشد که این شبکه ها به خاطر استفاده از معماری سطحی و کم عمق با ویژگیهای دستکاری شده ممکن است نتوانند دقت لازم را ارایه دهند. شبکه عصبی عمیق مشکلاتی مثل بیش برازش را برطرف می کند و همچنین هرچقدر عمق شبکه ها بیشتر باشند سطوح انتزاع بیشتری را یاد می گیرند. هدف اصلی این تحقیق، بالا بردن دقت پیش بینی بارش ساعتی منطقه خراسانرضوی با استفاده از یکی از روش های شبکه عصبی عمیق است. در این تحقیق ما یک معماری شبکه عصبی عمیق با روش خودرمزگذار پشتهای نویززدا مبتنی بر نرون سخت بصورت تنک (RSDSAE) را برای پیشبینی بارش کوتاه مدت ارایه میدهیم. به منظور بهبود دقت، شبکه های عصبی سخت (RNNs) به عدم قطعیت بارش کمک میکنند و برای بهبود سرعت و صحت از ترکیب الگوریتم تنک (Spars) با مدل فوق مورد استفاده قرار گرفته است و همچنین از داده های بارش پیشبینی شده خروجی مدل WRF استفاده کردیم و آزمایش ها بر روی داده های باران و توسط دو معیار RMSE، MAE و با پنج خودرمزگذار به ترتیب 0.7912 و 0.7662 محاسبه گردیده است که توانسته عملکرد بهتری نسبت به مدل (RSDAE) از خود نشان دهد.