مطالعه روند تغییرات فرین های دمای شهرهای منتخب با استفاده از مدل شبکه عصبی مصنوعی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف از تحقیق حاضر مطالعه و پیش بینی دماهای حدی مخاطره آمیز، در بعضی از شهرهای مرکزی ایران می باشد که برای این کار از داده های حداقل و حداکثر دما پانزده ایستگاه هواشناسی (شهرهای: اصفهان، شهرضا، نطنز، نائین، اردستان، سمنان، شاهرود، گرمسار، دامغان، یزد، بافق، گاریز، میبد، قم و سلفچگان) در منطقه مورد مطالعه برای بازه زمانی (2019 - 1999) با استفاده از روش نوآورانه مدل های شبکه عصبی مصنوعی هیبرید و شبکه عصبی تطبیقی ANFIS انجام شد و در نهایت برای اولویت سنجی مناطق بیش تر در معرض افزایش دما، از مدل های تصمیم گیری چند متغیره نوین تاپسیس و ساو استفاده شد. نتایج پژوهش نشان داد که با توجه به مدل سازی صورت گرفته براساس مدل شبکه عصبی تطبیقی ANFIS برای پیش بینی فرین های دمای ایستگاه ها، کم ترین میانگین خطای آموزشی و میانگین خطای اعتبارسنجی برای حداقل دما به ترتیب با مقدار 01/0 برای ایستگاه یزد و 66/1 درصد برای ایستگاه دامغان به دست آمد. و کم ترین میانگین خطای آموزشی و میانگین خطای اعتبارسنجی برای حداکثر فرین دمای به ترتیب با مقدار 016/0 برای ایستگاه گرمسار و 39/9 درصد برای ایستگاه شاهرود به دست آمد. حداکثر فرین دمای براساس مدل تاپسیس دو ایستگاه گرمسار و بافق به ترتیب با درصد 1 و 96/0، در اولویت بیش تر در افزایش دما قرار خواهند داشت و براساس مدل ساو دو ایستگاه گرمسار و سلفچگان به ترتیب با درصد 1 و 98/0، بیش ترین احتمال را در معرض افزایش دما را به خود اختصاص دادند.Study of the Change Trend in Selected Cities Temperature Extremes Using Artificial Neural Network Model
The aim of the current research is to study and predict hazardous extreme temperatures in some cities of central Iran, for this purpose the minimum and maximum temperature data of 15 meteorological stations (cities: Esfahan, Shahreza, Natanz, Nain, Ardestan, Semnan, Shahroud, Garmsar, Damghan, Yazd, Bafaq, Gariz, Meibod, Qom and Salafchagan) were collected for the time period (1999 - 2019) and analyzed using the innovative method of hybrid artificial neural network and ANFIS adaptive neural network model. Finally, Topsis and Saw multi-variable decision-making models were used to prioritize more exposed areas of temperature increase. The results of this study showed that according to ANFIS modelling for predicting station temperatures, the lowest mean educational error and the average error of validation for the minimum temperature, with a value of 0.010 was for the station Yazd and 1.66% for Damghan station. The lowest mean educational error and the mean error of validation for the maximum temperature curve were obtained at 0.016 for Garmsar station and 9.39% for Shahroud station, respectively. The maximum temperature fringe based on the Topsis model of two stations of Garmsar and Bafgh with a percentage of 1 and 0.96, will be in higher priority with increasing temperature. Based on the Saw model, Garmsar and Salafchegan stations with the highest percentages i.e., 1 and 0.98, respectively, were exposed to higher temperatures.
تبلیغات
