پيش بيني دماي كمينه ايستگاه كرج با استفاده از داده هاي شاخص هاي پيوند از دور و شبكه عصبي مصنوعي

New Title and Abstract

توجه علمي به مخاطرات محيطي كه آسيب پذيري بسياري از كشورهاي دنيا را به دنبال دارد، آغازي نسبتا تازه دارد. يكي از اين خطرها يخبندانها مي باشند كه سبب زيانهاي عظيمي در زمينه هاي كشاورزي، حمل و نقل، انرژي ، زيست محيطي و غيره شده است. جهت جلوگيري از خطرات ناشي از آنها استفاده از روش هاي پيش بيني امكان پيش آگاهي از حداقل دما و رخداد پديده يخبندان را فراهم ساخته تا مسئولان در جهت جلوگيري از آن، اقدامات لازم را به عمل آورند. پيش بيني حداقل دما در منطقه خصوصا با روش هاي جديد از ضروريات انجام اين تحقيق مي باشد. با توجه به محدوديت هايي از قبيل عدم كفايت آمار موجود و خطاي بالاي روش هاي آماري معمول، در اين تحقيق از شبكه هاي عصبي مصنوعي به عنوان يك روش كارآمد جهت پيش بيني كمينه دما استفاده شدهاست. ورودي مدل،آمار شاخص هاي اقليمي SIBERIA, AO [1], NAO [2], TNA [3], SOI [4], PDO [5], TNI [6], NOI [7] ساعات آفتابي منطقه در بازه زماني (2007–1973) و خروجي مدل داده هاي كمينه دما مي باشد. در اين تحقيق از دو روش پس انتشار feedforwardو Radial Basisاستفاده شده است. نتايج نشان داد كه بين مدلهاي مورد استفاده، Radial Basis (با ضريب همبستگي 98% و ميزان خطاي 48%) به عنوان بهترين مدل، نسبت به روش هاي آماري و مدل feedforward معمول مي باشد و همچنين نسبت به ديگر تحقيقات انجام شده در اين زمينه از ميزان خطاي پايين تري برخوردار است. همچنين تنها افزايش فاكتورهاي ورودي شبكه عاملي براي افزايش كارايي نمي باشد بلكه استفاده از ورودي هايي كه ارتباط معناداري با خروجي شبكه دارند نتايج بهتري را ايجاد خواهد كرد. در نهايت خروجي مدل بيانگر افزايش حداقل دما طي دوره آماري مي باشد.