خلاصة:
پیش بینی دما به عنوان یکی از مهمترین پارامترهای اقلیمی در حوزه های مختلف مدیریت
منابع آبی و طبیعی، خشکسالی ها، مطالعات زیست محیطی، خطر سیلاب، کمبود مواد
غذایی، گسترش آفات و بیماریها، حمل و نقل و غیره از اهمیت و یژهای در تعیین
سیاست های آینده جهت بهینه سازی این منابع و صرف هزینه ها، کنترل و جلوگیری از
یکی از (MLP) بحران و استفاده از منابع برخوردار است. مدل پرسپترون چندلایه
پرکاربردترین مدلهای شبکه های عصبی مصنوعی از مولفه های هوش مصنوعی در زمینه
پیش بینی عناصر جوی و اقلیمی است که میتواند بدون در نظر گرفتن معادلات پیچیده
غیرخطی، دینامیک حاکم بر سیستم را استخراج نموده و خروجی مدل را پیش بینی کند. در
این پژوهش، با استفاده از اطلاعات میانگین دمای ماهانه ایستگاه سینوپتیک سنندج در
1964 )، به عنوان ورودی های شبکه پرسپترون - طول دوره آماری 38 ساله ( 2001
2002 ) به منظور تعیین میزان - چندلایه، میانگین دمای ماهانه در طی سالهای ( 2005
خطای مدل، پیش بینی شد. بدین منظور از امکانات و توابع موجود در محیط برنامه نویسی
بهره گرفته شد. سپس به ارزیابی عملکرد مدل، از طریق معیارهای ،MATLAB نرم افزار
آماری از جمله روابط رگرسیونی و ضریب همبستگی بین مقادیر مشاهداتی و پیش بینی
شدهی دما و همچنین میانگین درصد خطای نسبی پرداخته شد. نتایج بدست آمده نشان
دهندهی کارآیی مناسب و دقت قابل قبول شبکههای عصبی مصنوعی در پیشبینی دما
0 و میانگین درصد خطای مدل برابر با / میباشد. به طوری که ضریب همبستگی برابر با 99
1/97 درصد است. یعنی شبکه، دما را با اختلاف کمتر از یک درجه سلسیوس با دمای
واقعی پیشبینی کرده است از اینرو با استفاده از این روش میتوان وضعیتهای دمایی را
از قبل تعریف نمود و در مدیریت منابع آبی و طبیعی دخالت داد.
ملخص الجهاز:
پیش بینی میانگین دمای ماهانه ایستگاه سینوپتیک سنندج با استفاده از مدل شبکه ی عصبی مصنوعی پرسپترون چندلایه (MLP) فریبا اسفندیاری درآباد ١، سید اسعد حسینی ٢، محمد آزادی مبارکی ٣، زهرا حجازی زاده ٤ چکیده پیش بینی دما به عنوان یکی از مهمترین پارامترهای اقلیمی در حوزه های مختلف مدیریت منابع آبی و طبیعی ، خشکسالی ها، مطالعات زیست محیطی ، خطر سیلاب ، کمبود مواد غذایی ، گسترش آفات و بیماری ها، حمل و نقل و غیره از اهمیت ویژه ای در تعیین سیاست های آینده جهت بهینه سازی این منابع و صرف هزینه ها، کنترل و جلوگیری از بحران و استفاده از منابع برخوردار است .
علیجانی و قویدل رحیمی (١٣٨٤) با استفاده از روش های رگرسیون خطی و شبکه های عصبی مصنوعی به مقایسه و پیش بینی تغییرات دمای سالانه تبریز با ناهنجاری های دمایی کره ی زمین در طول دوره ی آماری ٥٤ ساله (٢٠٠٣- ١٩٥١) پرداختند و نشان دادند که مدل های غیرخطی (ANNs) بسیار قوی تر از مدل های خطی و نیمه خطی عمل می - کنند.
اصغری مقدم و همکاران (١٣٨٧) از شبکه های عصبی مصنوعی و فرمول تجربی ارائه شده برای تعیین تعداد گره های میانی جهت تهیه مدل پیش بینی بارش دشت تبریز استفاده کردند بر اساس نتایج بدست آمده ، بهترین مدل از یک شبکه پیشرو با شش گره ورودی ، یک گره خروجی ، یک لایه میانی و الگوریتم لونبرگ - مارکوارت تشکیل شده است .