پیش بینی دماهای حداکثر روزانه با استفاده از شبکه‌های عصبی مصنوعی(مطالعه موردی:کرمان)
محورهای موضوعی : اقلیم شناسیشکوفه امیدی قلعه محمدی 1 , احمد مزیدی 2 , سودابه کریمی 3 , نجمه حسنی سعدی 4 , محبوبه امیدی قلعه محمدی 5 , حسن خراج پور 6
1 - کارشناس ارشد اقلیم شناسی کاربردی، دانشگاه یزد، یزد ،ایران
2 - دانشیار جغرافیای طبیعی و اقلیم شناسی، دانشگاه یزد، یزد، ایران
3 - کارشناس ارشد اقلیم شناسی کاربردی، دانشگاه یزد،یزد، ایران
4 - کارشناس ارشد اقلیم شناسی کاربردی، دانشگاه یزد، یزد ،ایران
5 - کارشناس ارشد اقلیم شناسی کاربردی، دانشگاه سیستان و بلوچستان،زاهدان، ایران
6 - دانشجو دکتری آب وهواشناسی کشاورزی ، دانشگاه خوارزمی، تهران ، ایران
کلید واژه: شبکه های عصبی مصنوعی, دماهای حداکثر روزانه, پیش‌بینی, کرمان,
چکیده مقاله :
با توجه به توانایی شبکه های عصبی مصنوعی در شبیه سازی فرایندهای بسیار پیچیده، از آن‌ها برای پیش بینی و محاسبه پارامترهای اقلیمی استفاده می‌شود. هدف این پژوهش نیز پیش بینی دمای حداکثر روزانه در استان کرمان می باشد. بدین منظور پارامترهای اقلیمی روزانه به عنوان ورودی شبکه های عصبی، و دمای حداکثر روزانه به عنوان خروجی شبکه، طی دوره آماری 24 ساله (2013-1989) مورد استفاده قرار گرفته است نتایج این تحقیق بعد از آزمون شبکه، نشان داد که. شبکه پرسپترون چند لایه با توجه به میزان خطا و همبستگی بین داده‌ها از دقت بیشتری برخوردار است وخطای کمتر و همبستگی بیشتری نسبت به خروجی مورد نظر (دمای حداکثر روزانه) را نشان می‌دهد. همچنین از بین پارامترهای اقلیمی استفاده شده دمای حداقل و میانگین دمای تر نسبت به دیگر پارامترهای اقلیمی ورودی شبکه عصبی پیش بینی دمای حداکثر روزانه را با خطای کم و همبستگی بیشتری نشان می دهند.
Considering the capability of the artificial neural networks in simulating sophisticated processes, it is being used in estimation and computation of climatic parameters. The goal of this research is to estimate the daily maximum temperature in Kerman province. To this aim, daily climatic parameters as input to the neural networks and daily maximum temperature as the output during a statistical period of 24 years (1989-2013) were used, the findings revealed that the output of the multi-layer perceptron neural network, considering the error amount and correlation among data, is more precise and shows lower error and more correlation in relation to the expected output (daily maximum temperature). Also, among other climatic parameters, minimum temperature and the average of the wet temperature indicated the estimation of the daily maximum temperature with lower error and more correlation in comparison to other climatic parameters.
_||_