آرشیو

آرشیو شماره ها:
۹۱

چکیده

با توجه به تغییرات اقلیمی، گرمایش جهانی و خشکسالی­های اخیر، پیش­بینی دماهای حداکثر به عنوان یکی از مهمترین پارامترهای اقلیمی فرصت مناسبی را برای برنامه­ریزی و ارائه تمهیدات لازم در اختیار برنامه­ریزان قرار می­دهد. بررسی و تحلیل دماهای حداکثر به عنوان یکی از پارامترهای اقلیمی در مدیریت منابع آبی و طبیعی، کشاورزی، گسترش آفات و بیماری­ها، ذوب برف و سیلاب، تبخیر و تعرق، خشکسالی و غیره اهمیت زیادی دارد. امروزه با گسترش مدل­های هوشمند و تجربی در علوم مختلف، از جمله اقلیم شناسی و لزوم پیش­بینی­های دقیقتر، جایگزینی آنها به جای مدل های قدیمی اهمیت پیدا می­کند. یکی از این روش­ها، شبکه­های عصبی مصنوعی از مؤلفه­های هوش مصنوعی است که یکی از مهمترین کاربردهای آن ­در زمینه علوم جوی، پیش بینی و محاسبه پارامترهای اقلیم­شناسی 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 پیش­بینی شد. پارامترهای مذکور سال­های آماری 1985 تا 2005 را در بر می­گیرند. 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 بهره­گرفته شد و برای هر ماه یک شبکه با خطای کمتر از 5 درصد طراحی گردید. پس از بررسی شاخص­های 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 پیش­بینی دمای حداکثر با دقت قابل قبولی انجام شده است؛ به گونه­ای که میزان ضریب همبستگی آن 99/0 و بیشترین اختلاف آن با داده­های واقعی برابر 83/0 درجه سانتیگراد بوده است.

تبلیغات