%0 Journal Article %T مدل‌سازی دماهای حداقل شهرستان ارومیه با استفاده از مدل‌های رگرسیونی خطی و غیرخطی چندگانه و شبکه-های‌ عصبی مصنوعی %J اندیشه جغرافیا %I دانشگاه زنجان %Z 3451-2345 %A هوشیار, محمود %A حسینی, سیداسعد %A مسگری, ابراهیم %D 2012 %\ 10/01/2012 %V 6 %N 12 %P 1-33 %! مدل‌سازی دماهای حداقل شهرستان ارومیه با استفاده از مدل‌های رگرسیونی خطی و غیرخطی چندگانه و شبکه-های‌ عصبی مصنوعی %K ارومیه %K دمای حداقل %K رگرسیون خطی و غیرخطی %K شبکه عصبی مصنوعی %R %X 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. %U https://geonot.znu.ac.ir/article_20834_f4cffd632aad7b545d15736aac059d7a.pdf