ارزیابی برخی توابع انتقال در شبکه‌های عصبی مصنوعی جهت پیش‌بینی کوتاه‌مدت دمای کمینه (مطالعه موردی: ایستگاه همدیدی سنندج)
- سال انتشار: 1399
- محل انتشار: دو فصلنامه هواشناسی کشاورزی، دوره: 8، شماره: 1
- کد COI اختصاصی: JR_AGRIMET-8-1_004
- زبان مقاله: فارسی
- تعداد مشاهده: 355
نویسندگان
دانشجوی دکترای اقلیم شناسی، گروه جغرافیای طبیعی، دانشکده جغرافیا و برنامه ریزی محیطی، دانشگاه سیستان و بلوچستان، زاهدان، ایران
استاد اقلیم شناسی، گروه جغرافیای طبیعی، دانشکده جغرافیا و برنامه ریزی محیطی، دانشگاه سیستان و بلوچستان، زاهدان، ایران
استادیار اقلیم شناسی، دانشکده جغرافیا و برنامه ریزی محیطی، دانشگاه سیستان و بلوچستان، زاهدان، ایران
استادیار آمار، گروه آمار، دانشکده ریاضی، آمار و علوم کامپیوتر، دانشگاه سیستان و بلوچستان، زاهدان، ایران
چکیده
Short-term prediction of minimum temperature is important in mitigation chilling and frost injury in agriculture. In current study, the frequency of early autumn and late spring frosts in Sanandaj synoptic station, Iran were worked out. Then, using six variables, i.e. dry and wet bulb temperature, relative humidity, wind speed, wind direction, and cloud cover as the inputs, a multilayer perceptron artificial neural network model (MPL/ANN) based on the Levenberg-Marquardt training algorithm of MATLAB software package was applied for prediction of the minimum temperature for the next ۳, ۶, ۹ and ۱۲ hours ahead. The selected Transfer Functions were hardlims, logsig, polsin, radbas, satlins, softmax, tansig, and tribas. The statistical measures of MAD, MSD, RMSD, and R were used for comparisons. The results showed that in case of late spring frost, the poslin, logsig, tansig, and satlin functions in April with a correlation coefficient greater than ۰.۸ and error values of ۱.۱۷, ۱.۶۱, ۱.۸۸ and ۲.۰۰ (◦C) for the different times steps, respectively are the best options. Similarly, in October, the radbas, poslin, poslin, and tribas functions with a correlation more than ۰.۷ and error values of ۱.۶۰, ۱.۹۶, ۱.۹۹, and ۱.۳۶, were found to be the most suitable ones for prediction of the minimum temperature at ۲۱:۳۰, ۰۰:۳۰, ۰۳:۳۰ and ۰۶:۳۰ local time. Also, among the selected functions, the poslin with the highest frequency has the best performance in predicting nocturnal frosts in Sanandaj. The results confirmed the good performance of the ANN approach in short-term prediction of minimum temperature and frost occurrence in study region.کلیدواژه ها
توابع انتقال, پرسپترون چند لایه, پیش‌بینی, سنندج, دمای حداقلاطلاعات 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.