بانک مقالات جغرافیا

پيش بيني دما به عنوان يكي از مهمترين پارامترهاي اقليمي در حوزه هاي مختلف مديريت منابع آبي و طبيعي، خشكسالي ها، مطالعات زيست محيطي، خطر سيلاب، كمبود مواد غذايي، گسترش آفات و بيماري ها، حمل و نقل و غيره از اهميت وي‍ژه اي در تعيين سياست هاي آينده جهت بهينه سازي اين منابع و صرف هزينه ها، كنترل و جلوگيري از بحران و استفاده از منابع برخوردار است. مدل پرسپترون چندلايه (MLP) يکي از پرکاربردترين مدل هاي شبکه هاي عصبي مصنوعي از مولفه هاي هوش مصنوعي در زمينه پيش بيني عناصر جوي و اقليمي است که مي تواند بدون در نظر گرفتن معادلات پيچيده غيرخطي، ديناميک حاکم بر سيستم را استخراج نموده و خروجي مدل را پيش بيني کند. در اين پژوهش، با استفاده از اطلاعات ميانگين دماي ماهانه ايستگاه سينوپتيک سنندج در طول دوره آماري 38 ساله (2001-1964)، به عنوان ورودي هاي شبکه پرسپترون چندلايه، ميانگين دماي ماهانه در طي سال هاي (2005-2002) به منظور تعيين ميزان خطاي مدل، پيش بيني شد. بدين منظور از امکانات و توابع موجود در محيط برنامه نويسي نرم افزار MATLAB، بهره گرفته شد. سپس به ارزيابي عملکرد مدل، از طريق معيارهاي آماري از جمله روابط رگرسيوني و ضريب همبستگي بين مقادير مشاهداتي و پيش بيني شده دما و همچنين ميانگين درصد خطاي نسبي پرداخته شد. نتايج بدست آمده نشان دهنده کارآيي مناسب و دقت قابل قبول شبکه هاي عصبي مصنوعي در پيش بيني دما مي باشد. به طوري که ضريب همبستگي برابر با 0.99 و ميانگين درصد خطاي مدل برابر با 1.97 درصد است. يعني شبکه، دما را با اختلاف کمتر از يک درجه سلسيوس با دماي واقعي پيش بيني کرده است از اين رو با استفاده از اين روش مي توان وضعيت هاي دمايي را از قبل تعريف نمود و در مديريت منابع آبي و طبيعي دخالت داد.

 نسخه قابل چاپ