مدل سازی دماهای بیشینه ی فصل زمستان در شهر پیرانشهر با استفاده از مدل شبکه عصبی پرسپترون چند لایه MLP

سال انتشار: 1398
محل انتشار: ششمین کنفرانس منطقه ای تغییر اقلیم
کد COI اختصاصی: RCCC06_155
زبان مقاله: فارسی
تعداد مشاهده: 594

نویسندگان

استادیار آب و هواشناسی، دانشگاه پیام نور، تهران، ایران

کارشناسی ارشد آب و هواشناسی، گرایش تغییرات آب و هوایی

چکیده

امروزه پیش بینی وضعیت دما به امری ضروری و لازمه زندگی مبدل شده است که به کمک آن می توان هزینه های تولید را کاهش و بهره وری را افزایش داد. در این پژوهش جهت مدل سازی دمای بیشینه فصل زمستان در شهر پیرانشهر از مدل شبکه عصبی پرسپترون جند لایه MLP استفاده شد. منابع اطلاعاتی و آماری از شبکه ایستگاه هایهواشناسی سینوپتیک پیرانشهر دریافت گردید و پس از تعیین عناصر تاثیرگذار بر دمای منطقه به ماتریسبندی داده ها جهت ورود به شبکه عصبی مصنوعی پرداخته شد. نتایج حاصل بیانگر آن است که، یک شبکه پیشخور از نوع پرسپترون چندلایه ( MLP )، توابع سیگموئیدی و خطی و الگوریتم لونبرگ -مارکوارت ( LM ) کارآترین شبکه می باشد. در واقع شبکه های طراحی شده توانستند دمای بیشینه را با حداکثر اختلاف 0/42 درجه سلسیوس با داده های واقعی پیش بینی کنند. به طوری که، میزان همبستگی داده های مشاهداتی و پیش بینی شده به 0/99 رسیده که در سطح یک درصد نیز معنی دار گشتند. نتایج حاصل از ارزیابی عملکرد مدل طراحی شده با شاخص های مختلف نشان می دهد که، مدل هایطراحی شده برای پیرانشهر، دارای خطای کم و همچنین همبستگی و ضریب تعیین بالایی هستند و این وضعیت نشان از توانایی قابل قبول و دقت بالای شبکه های عصبی مصنوعی و نقش موثر آن در مدل سازی دماهای بیشینه در سطح شهرها دارد.

کلیدواژه ها

مدل سازی، شبکه عصبی، بیشینه ی دما ، پیرانشهر، پرسپترون

مقالات مرتبط جدید

اطلاعات بیشتر در مورد COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.