چکیده:
با توجه به تغییرات اقلیمی، گرمایش جهانی و خشکسالی های اخیر، پیش بینی دماهای حداکثر به عنوان یکی از مهمترین پارامترهای اقلیمی فرصت مناسبی را برای برنامه ریزی و ارائه تمهیدات لازم در اختیار برنامه ریزان قرار می دهد. بررسی و تحلیل دماهای حداکثر به عنوان یکی از پارامترهای اقلیمی در مدیریت منابع آبی و طبیعی، کشاورزی، گسترش آفات و بیماری ها، ذوب برف و سیلاب، تبخیر و تعرق، خشکسالی و غیره اهمیت زیادی دارد. امروزه با گسترش مدل های هوشمند و تجربی در علوم مختلف، از جمله اقلیم شناسی و لزوم پیش بینی های دقیقتر، جایگزینی آنها به جای مدل های قدیمی اهمیت پیدا می کند. یکی از این روش ها، شبکه های عصبی مصنوعی از مولفه های هوش مصنوعی است که یکی از مهمترین کاربردهای آن در زمینه علوم جوی، پیش بینی و محاسبه پارامترهای اقلیم شناسی است. در این تحقیق با استفاده از متغیرهای میانگین رطوبت نسبی، میانگین سرعت باد، مجموع ساعات آفتابی، میانگین حداقل و حداکثر دمای ماهانه به عنوان ورودی شبکه پرسپترون چندلایه (MLP)، میانگین حداکثر دمای ماهانه ایستگاه سینوپتیک اردبیل پیش بینی شد. پارامترهای مذکور سال های آماری 1985 تا 2005 را در بر می گیرند. از 21 سال دوره آماری موجود، حدود 85 درصد آن یعنی 18 سال (216 ماه) برای آموزش شبکه و 3 سال (36 ماه) باقیمانده در مرحله آزمون شبکه به کار برده شده است. بدین منظور از امکانات و توابع موجود در نرم افزار MATLAB بهره گرفته شد و برای هر ماه یک شبکه با خطای کمتر از 5 درصد طراحی گردید. پس از بررسی شاخص های عملکرد شبکه، از جمله ضریب تعیین، مجذور میانگین مربعات خطا، میانگین مربعات خطا، میانگین مطلق خطا، میانگین درصد خطا و ضریب همبستگی مشاهده شد که پیش بینی دمای حداکثر با دقت قابل قبولی انجام شده است؛ به گونه ای که میزان ضریب همبستگی آن 0.99 و بیشترین اختلاف آن با داده های واقعی برابر 0.83 درجه سانتیگراد بوده است.
خلاصه ماشینی:
"E شماره صفحه پیاپی 16518-16496 پیشبینی دماهای حداکثر با استفاده از مدل شبکه عصبی مصنوعیمطالعه موردی:شهرستان اردبیل کیده {IBبا توجه به تغییرات اقلیمی،گرمایش جهانی و خشکسالیهای اخیر،پیشبینی دماهایحداکثر به عنوان یکی از مهمترین پارامترهای اقلیمی فرصت مناسبی را برای برنامهریزیو ارائه تمهیدات لازم در اختیار برنامهریزان قرار میدهد.
رحیمی خوب و همکاران(1386)با بهرهگیری از مدل(5)- sednahoM;namheR (6)- ytiC ahbA (7)- areviR;sanedaC (8)- ileluK;lakneS (9)- noitagaporP kcaB tneiliseR (10)- tneidarG etagujnoC delacS (11)- retupmoC citemhtirA ledoM allebereC yaleD emiT (12)- retupmoC citemhtirA ledoM allebereC شبکههای عصبی مصنوعی،دقت پیشبینی دمای حداکثر هوای استان خوزستان را مطالعهکردند و به این نتیجه رسیدند که مدل شبکه عصبی با ساختار 6 نرون در لایه ورودی(شامل 4 باند ماهواره نوا،روزشمار سال و ارتفاع زمین)و 19 نرون در لایه پنهان،بهترین مدل است و 91/4 درصد نتایج را با دقت 3 درجه سانتیگراد پیشبینی کردند.
اصغری مقدم و همکاران(1387)از شبکههای عصبی مصنوعی برای پیش-بینی بارش دشت تبریز استفاده کردند و نشان دادند که بهترین مدل،از یک شبکه پیشروبا شش گره ورودی،یک گره خروجی،یک لایه میانی و الگوریتم مارکوارت-لونبرگتشکیل شده است.
جدول 3:میزان خطا بر حسب درصد در شبکههای عصبی مصنوعی (به تصویر صفحه مراجعه شود) (ماخذ:نگارندگان) (به تصویر صفحه مراجعه شود) شکل 4:نتایج مرحله آزمون در مدل شبکه عصبی(ماخذ:نگارندگان) (به تصویر صفحه مراجعه شود) شکل 5:معادله رگرسیونی بی دمای حداکثر واقعی و برآورد شده با مدل شبکه عصبی مصنوعی (ماخذ:نگارندگان) ارزیابی عملکرد شبکه(جدول 4)نیز نشان داد که مجذور میانگین مربعات خطا،میانگین مربعات خطا،میانگین مطلق خطا و میانگین درصد خطای به ترتیب برابر با 0/005،0/09،0/22 و 1/68 است."