مظفر فرجی

هدف از این مطالعه شبیه سازی عددی و پیش بینی تغییرات آب وهوای ایران با تأکید بر دو پارامتر اقلیمی دما و بارش است. روش مورد استفاده این تحقیق الگوریتم شبکه های عصبی مصنوعی برای شبیه سازی متغیرهای دما و بارش 24 ساعته برحسب گام زمانی ماهانه در طی یک دوره 31 ساله نسبت به دوره پایه است. از تحلیل مانوا برای مقایسه میانگین تغییرات دما و بارش طی دوره مشاهده شده 2020-1990 و دوره شبیه سازی شده 2050-2020 استفاده شده است. نتایج مقایسه نشان می دهد، تفاوت معنی داری بین تغییرات دما و بارش 24 ساعته در ایستگاه های هواشناسی منتخب در ایران وجود دارد. مربع جزئی اتا محاسبه شده، تغییرات بارش و دمای ثبت شده به ترتیب برابر1/42 و 9/17 درصد، تغییرات بارش و دمای شبیه سازی شده نیز به ترتیب برابر6/41 و 1/18 درصد می باشد. بیشترین و کمترین بارش مشاهده شده در ماه های مارس و ژوئیه رخ داده است. شبیه سازی ها بیشترین و کمترین میزان بارش را برای ماه های مارس و اوت پیش بینی کردهاند. همچنین بیشترین و کمترین میانگین دمای مشاهده شده به ترتیب در ماه های ژوئیه و ژانویه رخ داده و شبیه سازی ها نیز این مقادیر را برای همین ماه ها پیش بینی کرده اند. نتایج مقایسه ایستگاه های هواشناسی منتخب طی دوره های مذکور نشان داد، بیشترین و کمترین مقادیر بارش مشاهده شده به ترتیب در ایستگاه های رشت ۹۵/۱۰۹و یزد ۳۶/۴ میلی متر ثبت شده و شبیه سازی ها نیز برای همین ایستگاه ها ۴۶/ ۱۱۲ و ۶۳/۵ میلی متر پیش بینی کرده اند. بیشترین و کمترین میانگین دمای مشاهداتی به ترتیب در ایستگاه های بندرعباس۹۹/۲۶ و اردبیل۳۶/۹درجه سانتی گراد ثبت شده و شبیه سازی ها نیز برای همین ایستگاه ها۱۰/۲۷و۴۵/۹ درجه سانتی گراد پیش بینی کرده اند.

هدف از این تحقیق، داده کاوی دمای هوا 24 ساعته ایستگاه های هواشناسی سینوپتیک ایران است. مواد و داده های به کاررفته تحقیق از یک منبع می باشد که به صورت ساعتی برای مدت 31 سال از سازمان هواشناسی کشور دریافت شد. در ارتباط با داده ها می توان گفت که توسط زبان برنامه نویسی R یادگیری ماشین شبکه عصبی پرسپترون چند لایه MLP شبیه سازی شده است. از تابع Anova جهت مقایسه میانگین دمای هوا 24 ساعته در ایستگاه های مورد بررسی در دوره (پایه و شبیه سازی) استفاده شد. با استفاده از تابع گردش، الگوهای زمانی موجود درداده ها تحلیل شد تا مشخص شود که دنباله داده ها تصادفی هستند یا الگو های معناداری دارند؟ در ادامه روش های یادگیری، از رگرسیون لجستیک با هدف پیش بینی اثرات تغییرات آب وهوایی در تغییرات دمای هوا استفاده شد. در مدل لجستیک، (تغییرات آب وهوا) به عنوان متغیر وابسته و دمای هوا (مشاهداتی و شبیه سازی) به عنوان متغیرهای پیش بین مستقل انتخاب شد. داده ها در تحلیل وارد شد و مدل لجستیک معنی دار بود. مجذور آماره کای در دمای هوا برابر 19/314 محاسبه شد که در سطح خطای کمتر از 05/0 معنی دار بود. متغیرهای مستقل مذکور توانسته اند بین 92 تا 88 درصد از تغییرات را که منجر به  افزایش یا کاهش دمای هوا شده بود، به درستی تبیین کند. 4/86 درصد از ماه هایی که تغییرات نداشتند، درست طبقه بندی شدند و 2/93 درصد از پیش بینی ها درباره تغییرات دمای هوا صحیح بود. درکل، 3/95 درصد از پیش بینی ها درست تخمین زده شد. نتایج نشان داد که تغییرات آب وهوا اثر معنی داری روی افزایش یا کاهش دمای ماهانه هوا در ایستگاه های مورد بررسی دارد. بیش ترین و کم ترین میزان دمای مشاهداتی هوا به ترتیب در ماه های ژوئیه و ژانویه، شبیه سازی ها نیز بیش ترین و کم ترین مقدار دما را برای همین ماه ها پیش بینی کرده اند. بیش ترین و کم ترین دمای هوا سالانه نیز به ترتیب برای ایستگاه های سیری و زرینه ثبت و پیش بینی شده است.