مدل‌سازی دماهای حداقل شهرستان ارومیه با استفاده از مدل‌های رگرسیونی خطی و غیرخطی چندگانه و شبکه-های‌ عصبی مصنوعی

نویسندگان

1 دانشجوی دکترا و هیئت علمی

2 دانشجوی دکترا

3 دانشجوی کارشناسی ارشد

چکیده

دماهای حداقل عامل اصلی محدود کننده بسیاری از فعالیت های کشاورزی اعم از زراعت و باغداری است که هر ساله خسارات و صدمات زیادی را به محصولات کشاورزی وارد می سازد. آگاهی از احتمال وقوع این دماها برای جلوگیری از خسارت احتمالی، دارای اهمیت بسزایی است. در برنامه ریزی های مختلفی که در ارتباط با اقلیم شناسی است، اقلیم شناسان سعی می‌کنند با تجزیه و تحلیل داده های یک یا چند متغیر اقلیمی در گذشته، به اصول، قوانین و مدل هایی دست یابند که بر این اساس وضعیت آن را در آینده پیش‌بینی کنند. از روش‌های مهم در این زمینه مدل‌های رگرسیونی و شبکه‌های عصبی مصنوعی از مولفه های هوش مصنوعی است که امروزه به طور وسیع در زمینه مدل‌سازی و پیش‌بینی پارامترهای اقلیمی مورد استفاده قرار می‌گیرد. در این پژوهش امکان مدل‌سازی و پیش‌بینی دماهای حداقل شهرستان ارومیه با استفاده از این مدل‌ها مورد بررسی و تجزیه تحلیل قرار گرفت. بدین منظور از متغیرهای میانگین حداکثر رطوبت ‌نسبی، میانگین ‌سرعت ‌باد، میانگین مجموع بارش، میانگین‌ حداقل‌ و حداکثر دمای دوره آماری 26 ساله (2000-1975) جهت پیش‌بینی دماهای حداقل5 ساله (2005-2001) و مقایسه آن با داده‌های واقعی استفاده گردید. بدین منظور از امکانات و توابع موجود در نر‌م افزارهای MATLAB/2010 و SPSS/21 بهره‌گرفته شد و برای هر ماه یک مدل با خطای کمتر از 5 درصد طراحی گردید. سپس به بررسی شاخص‌ عملکرد مدل‌ها از طریق معیارهای آماری از جمله ضریب تعیین، مجذور میانگین مربعات خطا، میانگین مربعات خطا، میانگین مطلق خطا، میانگین درصد نسبی خطا و ضریب همبستگی پرداخته شد. نتایج حاصل، ضمن مدل‌سازی پیش‌بینی دماهای حداقل، نشان داد که خطای حداکثر مدل‌های شبکه عصبی مصنوعی، رگرسیون خطی و غیرخطی با داده‌های واقعی به ترتیب برابر 85/0، 06/3 و 26/3 درجه سلسیوس است که توانایی قابل توجه مدل شبکه عصبی مصنوعی در پیش‌بینی دماهای حداقل در مقایسه با مدل‌های رگرسیونی را نشان می‌دهد. از این رو با استفاده از این مدل‌ها می‌توان وضعیت‌های دمایی را از قبل تعریف نموده و در مدیریت منابع و برنامه‌ریزی‌های محیطی دخالت داد. از نتایج حاصله می‌توان در اجرای روش‌های مقابله با سرما و یخبندان در زمینه‌های مختلف مدیریت منابع سوخت، کشاورزی و ماشین آلات کشاورزی، سیستم‌های آبیاری و خطوط انتقال آب، بیماری‌ها، حمل و نقل و تصادفات جاده‌ای و غیره  بهره گرفت.

کلیدواژه‌ها

عنوان مقاله [English]

Modeling of Oroomieh Township Minimum Temperatures through Linear and Nonlinear Multiple Regression and Artificial Neural Networks Models

نویسندگان [English]

  • M Houshyar 1
  • A Hosseini 2
  • E Mesgari 3
1 PhD Student
2 PhD Student
3 MA Student
چکیده [English]

   Minimum Temperatures main factor limiting agricultural activities including farming and the gardening which every year the losses and damages that may enter agricultural products. The kknowledge is very important of the occurrence of these temperatures to prevent possible damage inflicted on the products. The various programs that are related to climatology Climatologist try to analysis of one or more climate variable in the past, its reach to laws and models on the basis of status to predict the future. The one way in this field is regression models and artificial neural network components AI which is used today widely modeling and prediction of climatic parameters. In this study as a possible model for predicting of minimum temperatures in Oroomieh Township through these were models studied and analyzed. The variation of average maximum relative humidity, average wind speed, total rainfall, average minimum and maximum temperature of 26 year period (2000-1975) to predicted Minimum temperatures for 5 years (2005-2001) and used was compared with the actual data. For this purpose, facilities and functions available in MATLAB/2010 and SPSS/21 software were made and for every month a network was designed with under 5 percent error, then was paid designed to evaluate the performance of the model by statistical criteria such as the coefficient of determination, root mean square error, mean squares error, mean absolute error, mean percentage and correlation coefficient. The results of the modeling the predicted minimum temperatures is showed that the maximum error models, artificial neural networks, linear and non-linear regression analysis with real data, respectively, 0.85, 3.06 and 3.26 Celsius degrees. The showed remarkable ability of artificial neural network models in predicting minimum temperatures compared with the regression models. The use of these models could be used the temperature of the pre-defined, and the resource management planning and environmental interference, and the results can be seen in the ways of coping with the cold and frost in the fields of resource management fuels, agriculture and agricultural machinery, irrigation systems and water lines, disease, road accidents and other transportation.

کلیدواژه‌ها [English]

  • Artificial neural network
  • Linear and Nonlinear Regression
  • minimum temperature
  • Oroomieh

فایل ها

هم رسانی

ارجاع به این مقاله

آمار