پیش بینی دمای ماهانه با استفاده از روش های جدید مبتنی بر یادگیری ماشین در اقلیم های مختلف ایران(مقاله علمی وزارت علوم)
حوزههای تخصصی:
دمای هوا از اجزای اصلی مطالعات هیدروکلیماتولوژی، و متغیری کاربردی برای مدل های برنامه ریزی و بهره برداری از منابع آب است. دستیابی به داده های قابل اعتماد برای پیش بینی تغییرات دمایی در سال های آتی به منظور کاربرد آن در مدل های هواشناسی و هیدرولوژیکی از مهم ترین چالش ها است. طی سالیان اخیر، مدلهای پیش بینی مختلفی توانسته اند به عنوان یک راهکار قابل اطمینان مورد توجه قرار گیرند. اکثر این مدل ها بر اساس داده های تاریخی و با بهره گیری از تکنیک های هوش مصنوعی عمل می کنند. در تحقیق حاضر با استفاده از روشهای مبتنی بر هوش مصنوعی مانند روشهای هیبرید GA-ANN ، ICA-ANN ، PSO-ANN و مدلهای ELM ، ORELM سعی شد بهترین مدل برای پیش بینی داده های دمای ماهانه در اقلیم های مختلف ایران (ایستگاه های اهواز، کرمانشاه، مشهد و رشت) در یک دوره آماری 58 ساله معرفی گردد، تا بتوان با استفاده از آن به نتایج قابل اعتمادی دست پیدا کرد. نتایج نشان داد که خروجی مدل ORELM دارای بهترین برازش با داده های مشاهداتی با ضریب همبستگی 99/0 بوده، و همچنین دارای بهترین و نزدیک ترین پراکندگی نقاط در اطراف خط 45 درجه می باشد که از این نظر دقیق ترین مدل محسوب می شود. برای اطمینان از صحت انتخاب مدل برتر از نمودار تیلور نیز استفاده شد. نتایج نشان داد که نزدیک ترین نقطه به نقطه مرجع مربوط به روش ORELM می باشد. لذا برای پیش بینی دمای ماهانه در اقلیم های مختلف می توان با اطمینان از مدل ORELM استفاده کرد. این رویکرد کمک زیادی به محققین بخش آب و هواشناسی می کند تا با استفاده از هوش مصنوعی، تغییرات دمایی را با دقت بالاتری در سال های آتی پیش بینی نموده و با اطمینان در مدل های برنامه ریزی منابع آب استفاده نمایند.