ارزیابی عملکرد مدلهای هوشمند در تخمین دمای نقطه شبنم با استفاده از پارامترهای هواشناسی

دمای نقطه شبنم دمایی است که در آن هوا تحت فشار ثابت به صورت اشباع از بخار آب شود. هدف از تحقیق حاضر، ارزیابی توانایی مدل های شبکه های عصبی مصنوعی(ANN) و رگرسیون کمانکی تطبیقی چند متغییره (MARS) در تخمین دمای نقطه شبنم با استفاده از پارامترهای هواشناسی در ایستگاه سینوپتیک خوی واقع در شمال غرب ایران می باشد. پارامترهای هواشناسی استفاده شده شامل دمای حداقل(Tmin)، دمای حداکثر (Tmax)، دمای متوسط (T)، رطوبت نسبی (RH)، رطوبت نسبی حداقل (RHmin)، رطوبت نسبی حداکثر (RHmax)، تابش خورشیدی (S)، سرعت باد (W)، فشار ایستگاه(Pa (، فشار بخار واقعی(ea) و فشار بخار اشباع (es) بودند. پارامترهای مذکور با ترکیبهای مختلفی به عنوان ورودی به مدلهای مورد استفاده وارد شدند. برای ارزیابی نتایج خروجی مدلها از میانگین مربعات خطا (RMSE)، میانگین مطلق خطا (MAE) و ضریب تبیین (R۲) به عنوان معیارهای ارزیابی استفاده گردید. بر اساس نتایج حاصله فشار بخار واقعی(e_a) و دمای حداقل(Tmin)، موثرترین پارامترها در تخمین دمای نقطه شبنم بودند. همچنین نتایج نشان داد که دو مدل مورد استفاده از دقت خوبی جهت تخمین دمای نقطه شبنم با استفاده از پارامترهای هواشناسی برخوردار هستند. با این وجود، مدل رگرسیون کمانکی تطبیقی چند متغییره عملکرد بهتری نسبت به مدل شبکه عصبی مصنوعی در تخمین دمای نقطه شبنم داشت. در مجموع، در بین همه پارامترها و مدلها، مدل MARS با ورودی فشار بخار واقعی و RMSE= ۰.۶۳۳ºC ، MAE= ۰.۴۸۰ºC و=۰.۹۹۱ R۲ برای حالت آزمون دقیق ترین تخمین را از دمای نقطه شبنم نتیجه داد.

کلیدواژه ها:

پارامترهای هواشناسی ، خوی ، رگرسیون کمانکی تطبیقی چند متغییره ، شبکه عصبی مصنوعی ، دمای نقطه شبنم