پيش بيني دماهاي حداكثر روزانه با استفاده از شبكه‌هاي عصبي مصنوعي(مطالعه موردي:كرمان)

Estimating Daily Maximum Temperatures Using Artificial Networks (Case study: Kerman)

با توجه به توانايي شبكه هاي عصبي مصنوعي در شبيه‌ سازي فرايندهاي بسيار پيچيده، از آن‌ها براي پيش بيني و محاسبه پارامترهاي اقليمي استفاده مي‌شود. هدف اين پژوهش نيز پيش بيني دماي حداكثر روزانه در استان كرمان مي باشد. بدين منظور پارامترهاي اقليمي روزانه به عنوان ورودي شبكه هاي عصبي، و دماي حداكثر روزانه به عنوان خروجي شبكه، طي دوره آماري 24 ساله (2013-1989) مورد استفاده قرار گرفته است نتايج اين تحقيق بعد از آزمون شبكه، نشان داد كه. شبكه پرسپترون چند لايه با توجه به ميزان خطا و همبستگي بين داده‌ها از دقت بيشتري برخوردار است وخطاي كمتر و همبستگي بيشتري نسبت به خروجي مورد نظر (دماي حداكثر روزانه) را نشان مي‌دهد. همچنين از بين پارامترهاي اقليمي استفاده شده دماي حداقل و ميانگين دماي تر نسبت به ديگر پارامترهاي اقليمي ورودي شبكه عصبي پيش بيني دماي حداكثر روزانه را با خطاي كم و همبستگي بيشتري نشان مي دهند.

Considering the capability of the artificial neural networks in simulating sophisticated processes, it is being used in estimation and computation of climatic parameters. The goal of this research is to estimate the daily maximum temperature in Kerman province. To this aim, daily climatic parameters as input to the neural networks and daily maximum temperature as the output during a statistical period of 24 years (1989-2013) were used, the findings revealed that the output of the multi-layer perceptron neural network, considering the error amount and correlation among data, is more precise and shows lower error and more correlation in relation to the expected output (daily maximum temperature). Also, among other climatic parameters, minimum temperature and the average of the wet temperature indicated the estimation of the daily maximum temperature with lower error and more correlation in comparison to other climatic parameters.