Study and Evaluation of Temperature in Aleshtar City based on Artificial Neural Network Model

Subject Areas :

Mahnaz Hassanvand ¹ , Reza Borna ² , Manijeh Zohoorian Pordel ³ , Alireza Shakiba ⁴

1 - PhD Student, Department of Geography, Faculty of Human Sciences, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran
2 - Associate Professor, Department of Geography, Faculty of Human Science, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran
3 - Associate Professor, Department of Geography, Faculty of Human Sciences, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran
4 - Assistant Professor, Department of Geography, Faculty of Human Sciences, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran

Received: 2021-04-13 Accepted : 2021-06-25 Published : 2022-04-21

Keywords: Neural network, Prediction, seasonal average, artificial,

Abstract :

Temperature assessment and forecasting is one of the most practical estimates of climatic elements. Today, the agricultural and industrial sectors are highly dependent on the temperature conditions. Temperature is one of the most important climatic meters that is one of the main factors in the climate identity of each region. The purpose of this study is to make a model for predicting the average monthly seasonal temperature of selected stations in Lorestan province, including Al-Shatrami region. Identification and detection of vulnerabilities in the infrastructure of Aleshtar districts in the conditions of climate change. And due to the inadequacy of the 30-year time series of Al-Ashtarl, neighboring cities such as Khorramabad-Aleshtar-Borujerd synoptic stations have been used, because the artificial neural network method has a great ability to simulate and predict atmospheric elements. And the weather, especially the temperature. To model and predict the seasonal monthly temperature, the r programming tool software of the fOre gast package has been used. Two tests of estimator trend analysis have been used. The 30-year time series trend of these elements was examined during the basic statistical period (1989-2019). The climate cycle was reported and extracted under two scenarios: NNAR and forEgast. The artificial neural network is one of the most powerful models capable of receiving and displaying complex Data input and output is one of the most widely used neural network (NNA) models to determine the best network inputs.

References:

اسماعیلی، رضا. حسین‌زاده، محمدمهدی (1394) مقایسه روشهای روزگن و استیل رود در طبقه‌بندی رودخانه‌های کوهستانی، مطالعه موردی البرز شمالی، حوضه آبریز لاویج، پژوهشهای دانش زمین، 64-79: 3، 21.

اصغری سراسکانرود، صیاد، پوراحمد، مهدی، (1394) شناسایی و استخراج تغییرات رودخانه زرینه‌رود با استفاده از پردازش تصاویر ماهواره‌ای، نشریه هیدروژئومورفلوژی، (5)

بلواسی، ایمانعلی، اصغری، سراسکانرود، صیاد، اسفندیاری، زینالی، بتول، نشریه علمی جغرافیا و برنامه‌ریزی 21.02.2014

جهانبش، سعید؛ قویدل، فاطمه؛ اشجعی محمد، (1394)، شناسایی، طبقه‌بندی و تحلیل همدیدی امواج گرمایی به منظور کاهش مخاطرات انسانی در شمال غرب ایران، دانش مخاطرات، 391-377:4.

درگاهیان، فاطمه؛ رضایی، غلامحسین، (1393)، بررسی شرایط سینوپتیکی و بیوکلیماتولوژی شاخص گرما با استفاده از سیستم اطلاعات جغرافیایی در ایستگاههای ساحلی و دریایی جنوب و اثرات آن بر روی سلامت انسان، فصلنامۀ علمی-پژوهشی اطلاعات جغرافیایی سپهر، 54-43 : (91) 23.

رضایی مقدم، محمدحسین، ولی‌زاده، کامران، خلیل، بلواسی، مهدی، خیری استیار، حسین، اصغری، سرانسکانرود، صیاد، تشریه جغرافیا و برنامه ریزی تابستان 1395 شماره 56، ص. 127-148، علمی پژوهشی وزارت علوم

رمضانی مقدم، نیکجو، خلیل، ولی‌زاده، کامران، ایمانعلی، بلواسی، بلواسی، نشریه جغرافیا و برنامه ریزی ،21.04.2017

سازمان هواشناسی استان لرستان، آمار 30 ساله ایستگاه‌های باران سنجی با سینیوپتیک 1398.

مختاری هشی، حسین (1392)، هیدروپلیتیک ایران، جغرافیای بحران آب در افق سال 1404، فصلنامه ژئوپلیتیک، سال نهم، شماره سوم.

نلسون فرای، ریچارد (1395)، (تاریخ باستانی ایران، ترجمه مسعود رجبنیا، تهران: انتشارات علمی و فرهنگی. وزارت نیرو، دفتر برنامه ریزی کلان آب و آبفا) 1395 پروژه پژوهشی تدوین راهبردها و برنامه ملی سازگاری و تغییر اقلیم در بخش کشاورزی، صص 205-204.

Belmont, P., Gran, K.B., Schottler, S.P.,Wilcock, P.R., Day, S.S., Jennings, C., Lauer,J.W., Viparelli, E., Willenbring, J.K., Engstrom,D.R., Parker, G. (2011). Large shift in source offine sediment in the Upper Mississippi River.Environmental Science and Technology45,8804–8810

Dapporto, S., Rinaldi, M., Casagli, N. and Vannocci, P. (2003). Mechanisms of river bank failure along the Amo River Central Italy. Earth Surface Processes and Landforms. 28,1303-1323.

Fischer, E. M., Schär, C., (2010), Consistent Geographical Patterns of Changes in High-Impact European Heatwaves, NatureGeoscience, 3: 398–403

Hatvani-Kovacs, G., Belusko, M., Pockett, J., Boland, J., (2016), Assessment of Heatwave Impacts,4th International Conference on Countermeasures to Urban Heat Island(UHI),Procedia Engineering,169:316 –323.Little W.C. Thome. C.R. and Murphey. J.B.(1982). streams. American Society of Agricultural Engineers Transactions. 25(5). 1321-132

Rademaker, A. (2016). Role of tropospheric ozone increases in 20th-century climate change, Journal of Geophysical Research–Atmospheres, 11(8): 8-20.