پيش‌بيني تغييرات دما در بندرعباس و جزيره قشم با استفاده از مدل شبكه عصبي

Predicted temperature changes in Bandar Abbas and Qeshm Using Neural Networks

پيش‌بيني دما به عنوان يك پارامتر اقليمي مهم در زمينه‌هاي اقتصادي و مطالعات زيست محيطي، مخاطرات محيطي و... از اهميت زيادي جهت جلوگيري از خسارات احتمالي در آينده برخوردار است. مدل شبكه عصبي پرسپترون چند لايه كاربردهاي زيادي در زمينه پيش‌بيني اقليمي دارد. در اين پژوهش با استفاده از اطلاعات ميانگين دماي ماهانه ايستگاه‌هاي بندرعباس با طول دوره آماري 28 ساله (2012 – 1984) و جزيره قشم با طول دوره آماري 16 ساله (2012 – 1996) به عنوان ورودي‌هاي شبكه پرسپترون چند لايه و سال 2012 به عنوان صحت سنجي مدل انتخاب گرديد. هدف پژوهش مدل سازي دماي ميانگين ماهانه در بندرعباس و جزيره قشم با استفاده از شبكه عصبي مصنوعي و همچنين مقايسه نتايج و تعيين بهترين روش جهت بررسي تغييرات دمايي در آن جا مي‌باشد. روش‌هاي اصلي به كار گرفته شده در اين مطالعه عبارتند از: روش تعيين ضريب همبستگي پيرسيون، شبكه عصبي مصنوعي پرسپترون چندلايه. نتايج نشان مي‌دهد كه ميانگين مطلق خطا و مجذور و مربعات خطا به صفر نزديك بوده، يعني شبكه طراحي شده مي‌تواند دماي واقعي را حتي با كمتر از 1 درجه سانتي گراد اختلاف برآورد كند. نتايج حاصل از مدلسازي دماي ميانگين بندرعباس داراي ضريب تعيين 947/0 = R^2و جزيره قشم 926/0 = R^2مي‌باشد.

Temperature forecast as an important climate parameter in the economic and environmental studies, environmental hazards and …, has great importance to prevent probable damages. Modeling multi – later Perceptron neural network has many applications in the field of climate. In this study, using data was chosen monthly temperature average of Bandar Abbas stations during the period 28 years (1984 – 2012 ) and Qeshm island during the period of 16 years (1996 – 2012 ) as the inputs of multi – layer Perceptron network and in 2012 as the measurement of accuracy. The aim of study, is modeling the monthly average temperature in Bandar Abbas and Qeshm island using artificial neural network and also, comparising the results and determine the best method to check the temperature changes. The main used methods in this study include: Pyrsyionʹs correlation coefficient method, multi-layer Perceptron artificial neural network. The results show that the mean absolute error and square and error squares was near zero, itʹs means that, the designed network can estimate the actual temperature with even less than difference of 1 . The results of the modeling Bandar Abbas average temperature have coefficient of and Qeshm island is