مقايسه عملكرد شبكه عصبي پرسپترون چندلايه و مدل رگرسيوني ليناكر در پيش‌بيني كمينه دماي روز بعد (مطالعه موردي: كرمان، شيراز، رشت و همدان)

Comparison of Multi-Layer Perceptron artificial neural network and Linacre regression model performance for predicting daily minimum temperature (Case study: Kerman, Shiraz, Rasht and Hamedan)

سرمازدگي يكي از مهم­ترين مخاطرات جوي است كه خسارات زيادي را به محصولات كشاورزي وارد مي­كند. يكي از راه­هاي مديريت و كاهش خسارت­هاي ناشي از سرمازدگي، پيش­بيني دماي كمينه است. به‌اين‌منظور، با استفاده از آمار روزانه پارامترهاي كمينه دما، بيشينه دما و دماي نقطه شبنم در دوره آماري 2009- 2005، كمينه دماي روز بعد در چهار ايستگاه با اقليم­هاي متفاوت توسط مدل رگرسيوني ليناكر و شبكه عصبي مصنوعي پرسپترون چند­لايه (MLP)، در كل سال، دوره سرد و دوره گرم پيش­بيني شد. در اين پژوهش براي ارزيابي عملكرد مدل­ها از معيارهاي آماري NRMSE،RMSE و R2 استفاده شد. نتايج نشان داد كه از چهار ايستگاه، بهترين برآورد، با شبكه عصبي MLP با دو ورودي براي ايستگاه رشت به‌دست‌آمد كه ريشه ميانگين مربعات خطاي آن براي كل سال، دوره سرد و دوره گرم به­ترتيب 57/1، 61/1 و 21/1 است. براي بررسي نقش رطوبت نسبي در جهت بهبود مدل شبكه عصبي، اين پارامتر به‌عنوان ورودي سوم به شبكه پرسپترون چند­لايه افزوده شدكه در نتيجه آن، RMSE در دوره سرد سال براي ايستگاه­هاي كرمان، شيراز، همدان (فرودگاه) و رشت به‌ترتيب 04/3، 86/2، 48/9 و 83/15 درصد بهبود يافت. اين مقادير براي دوره گرم سال 6، 33/13، 86/2 و 63/18 درصد بود؛ بنابراين اضافه كردن رطوبت نسبي به‌عنوان ورودي سوم به مدل شبكه عصبي، تنها در ايستگاه همدان – كه براساس طبقه‌بندي يونسكو، اقليم آن SA-K-W است - سبب بهبود بيشتر RMSE در دوره سرد سال نسبت به دوره گرم سال شده است درحالي‌كه در ساير ايستگاه­ها، اضافه كردن رطوبت نسبي در دوره گرم سال، منجر به كاهش بيشترخطا شده است. در جمع‌بندي مي­توان گفت كه براي همه اقليم­هاي مورد­مطالعه، شبكه­هاي عصبي مصنوعي منتخب، كارايي بهتري را نسبت به مدل رگرسيوني ليناكر در پيش­بيني دماي كمينه روز بعد از خود نشان مي­دهند.

The prediction of the minimum temperature is one of the main approaches to manage and reduce the risk damage caused by frostbite. For this purpose, using daily statistics of minimum, maximum and dew point temperatures during the period of 2005 to 2009, the minimum temperature of the next day was predicted for four stations (Rasht, Kerman, Shiraz and Hamedan) with different climate types by applying the Linacre regression model and the Multi-Layer Perceptron artificial neural network (MLP) in the whole year, the cold period (from October to late March) and the warm period (from April to late September). For this aim, the Matlab-2015 and IBM SPSS-20 software were used and statistical criteria RMSE, NRMSE and R2 were applied to evaluate the performance of the models. The results of this study, in all three periods, demonstrated that the best estimate of the Linacre regression model was obtained with root mean square error of 1.70 and 2.44°C for the whole year, 2.01 and 2.32°C for the cold period and 1.51 and 2.24°C for the warm period for Rasht and Shiraz stations with the PH-C-W and SA-C-W, respectively. The best results from MLP neural networks with Levenberg-Marquardt algorithm, logic sigmoid transfer function in the hidden layer, the linear transfer function in the output layer and two inputs (dew point and maximum temperature), like the Linacre regression model, were obtained with RMSE of 1.57 and 1.93°C for the whole year and 1.61 and 1.8 for the cold period for Rasht and Shiraz stations, respectively. The RMSE of the best results from MLP neural networks in the warm period was 1.21 and 1.44°C for Rasht and Hamedan stations, respectively. To evaluate the role of relative humidity on model results, this parameter was added as a third input to the multi-layer Perceptron network. The improved RMSE for the whole year was 17.4, 12.9, 49.4 and 18.3 percent and for the cold period of the year was 3.4, 2.86, 9.48 and 15.83 percent at Kerman, Shiraz, Hamedan and Rasht stations, respectively. These values for the warm period were 6, 13.33, 2.86 and 18.63 percent for the above mentioned stations. These improved errors indicate that only at Hamedan station, the cold period of the year produces more improvement in error reduction than the warm period of the year by adding relative humidity as the third input to the neural network model. In other stations, adding relative humidity in the warm year has led to a reduction in the error rate. In general, it can be said that selected MLP networks had better performance than the Linacre regression model in predicting the minimum daily temperature.