استفاده از روش یادگیری ماشین به منظور پیش بینی دمای هوا(مطالعه موردی؛ ایستگاه های شهرستان مشهد)

با استفاده از داده ها و الگوهای تاریخی، وضعیت آب و هوا را میتوان به طور دقیق پیش بینی کرد، تا بتواند درکی از آنچه ممکن است در آیندهرخ دهد داشته باشد. حتی پیشرفت های اندک در پیش بینی وضعیت آب و هوا می تواند سودهای قابل توجهی برای مشاغل، سازمان های دولتی وسایر نهادهای وابسته به پیش بینی های دقیق آب و هوایی حاصل کند. پیش بینی دقیقتر میتواند کشاورزان را قادر کند تا بهترین روز ممکن برایکاشت یا برداشت محصول را انتخاب کنند. در این مقاله به پیش بینی دمای هوای شهرستان مشهد پرداخته می شود. داده های مورد نیاز از سازمانهواشناسی شهرستان مشهد دریافت می شود. به این صورت که داده های پایین ترین ابر، دید افقی، فشار سطح دریا، دمای تر، فشار بخار اشباع، فشار، دمای خاک در عمق ۱۰،۵ و ۲۰ سانتیمتر، جهت باد، سرعت باد، نقطه شبنم، فشار ایستگاه، فشار بخار و رطوبت نسبی هوا دریافت می شود. روش به این صورت است که دو فرآیند آموزش و ارزیابی وجود دارد که در آموزش الگوریتم سعی می کند ارتباط بین متغیرهای ورودی و خروجی را پیداکند. به همین صورت از کل داده های دریافتی از سازمان هواشناسی که شامل ۵ سال داده است، به دو دسته که دسته اول داده های آموزش و سپسدسته دوم داده های تست و ارزیابی تقسیم می شود.( ۶۰ % داده های آموزش و ۴۰ % درصد داده های تست و ارزیابی) . در این پژوهش از دو روش،شبکه عصبی mlp و الگوریتم رگرسیون ماشین بردار پشتیبان استفاده می شود که این کار توسط برنامه نویسی در نرم افزار پایتون انجام می شود. درادامه پس از ایجاد و آموزش شبکه، داده های آزمون به مدل داده می شود تا دمای هوا را پیش بینی کند. نتایج نشان داد که هر دو شبکه به خوبیآموزش دیده و توانایی پیش بینی دما با دقت بسیار خوبی را دارند. از طرفی با بررسی شاخص های ارزیابی مانند میزان خطا و ضریب تعیین ونمودارهای مقادیر پیش بینی شده در برابر نمودار مقادیر واقعی میتوان به این نتیجه رسید که شبکه عصبی mlp نسبت به الگوریتم رگرسیون ماشینبردار پشتیبان عملکرد بهتری داشته است

کلیدواژه ها:

یادگیری ماشین ، شبکه عصبی ، دما ، الگوریتم ماشین بردار پشتیبان ، الگوریتم پرسپترون چند لایه