ارزيابي عملكرد برنامه ريزي ژنتيك در مدل سازي دماي متوسط ماهانه درنمونه هاي اقليمي مختلف ايران

Evaluation the performance of genetic programming in modeling mean monthly temperature in different climates of Iran

ميانگين دماي ماهانه از كميت هاي مهم در مطالعات اقليم شناسي كشاورزي است و به اين دليل روش هاي متنوعي براي محاسبه آن ارايه شده است. در مطالعه حاضر، از روش برنامه ريزي ژنتيك (GP) براي مدل سازي دماي متوسط ماهانه در 11 ايستگاه سينوپتيك ايران با تنوع اقليمي سرد و خشك تا گرم و خشك استفاده گرديد. رهيافت فوق طي دو مرحله اجرا گرديد: 1- آموزش مدل جهت تخمين سري زماني داده ها 2- صحت سنجي مدل توسعه يافته با استفاده از داده هاي واقعي. داده‌هاي مورد مطالعه در اين تحقيق، سري زماني دماي متوسط ماهانه مي‌باشد كه در شش الگوي حافظه‌اي (تاخيري) متفاوت آموزش ديدند. در مرحله دوم براي ارزيابي اين مدل ها از مجذور ميانگين مربعات خطا (RMSE) و ضريب تبيين (R2) استفاده شد. درنهايت مدل هايي با دقت قابل قبول براي ايستگاه هاي مطالعاتي پيشنهاد شد. نتايج به دست آمده نشان مي دهد كه روش برنامه ريزي ژنتيك روش مناسبي براي مدل‌سازي كميت ميانگين دماي ماهانه مي باشد. قابل ذكر است كه دقت و كارايي اين روش در مناطق و اقليم هاي مختلف، متفاوت بوده و ضرايب به دست آمده در ساير اقاليم نيازمند واسنجي است. در ميان ايستگاه هاي مطالعاتي، بهترين مدل براي ايستگاه زابل با ضريب تبيين 96/0 و مجذور ميانگين مربعات خطا 9/1 درجه سانتي گراد به دست آمد.

Mean monthly temperature is one of the most important parameters in agroclimatic studies and hence several approaches have been proposed for its precise estimation. In this study, the genetic programming approach is used to model monthly mean temperature in selected synoptic stations namely; Mashhad, Sanandaj, Tabriz, Ghazvin and Kermanshah with cold-arid climate and Yazd, Kerman, Zahedan, Bam and Zabol with warm-arid climate. Genetic programming approach was performed in two steps.1.Training and 2.Validation. In first step, the time series with six different patterns were prepared and trained. Then, in the second step, the obtained models were validated using coefficient of determination (R2) and root mean square error (RMSE) indices. Finally, based on these statistics, selected models were proposed for selected stations. The results showed that, genetic programming is an appropriate method for modeling mean monthly temperature. The result also indicated that, model performs better in warm-arid climates. The best results were obtained in 4th pattern of cold-arid and 5th pattern of warm-arid climates. Among the studied stations, Zabol showed the most acceptable results with R2 and RMSE of 0.96 and 1.91?C, respectively.