داده کاوی دمای هوا ۲۴ ساعته ایران با استفاده از یادگیری ماشین شبکه عصبی پرسپترون چندلایه

هدف از این تحقیق، داده کاوی دمای هوا ۲۴ ساعته ایستگاه های هواشناسی سینوپتیک ایران است. مواد و داده های به کاررفته تحقیق از یک منبع می باشد که به صورت ساعتی برای مدت ۳۱ سال از سازمان هواشناسی کشور دریافت شد. در ارتباط با داده ها می توان گفت که توسط زبان برنامه نویسی R یادگیری ماشین شبکه عصبی پرسپترون چند لایه MLP شبیه سازی شده است. از تابع Anova جهت مقایسه میانگین دمای هوا ۲۴ ساعته در ایستگاه های مورد بررسی در دوره (پایه و شبیه سازی) استفاده شد. با استفاده از تابع گردش، الگوهای زمانی موجود درداده ها تحلیل شد تا مشخص شود که دنباله داده ها تصادفی هستند یا الگو های معناداری دارند؟ در ادامه روش های یادگیری، از رگرسیون لجستیک با هدف پیش بینی اثرات تغییرات آب وهوایی در تغییرات دمای هوا استفاده شد. در مدل لجستیک، (تغییرات آب وهوا) به عنوان متغیر وابسته و دمای هوا (مشاهداتی و شبیه سازی) به عنوان متغیرهای پیش بین مستقل انتخاب شد. داده ها در تحلیل وارد شد و مدل لجستیک معنی دار بود. مجذور آماره کای در دمای هوا برابر ۱۹/۳۱۴ محاسبه شد که در سطح خطای کمتر از ۰۵/۰ معنی دار بود. متغیرهای مستقل مذکور توانسته اند بین ۹۲ تا ۸۸ درصد از تغییرات را که منجر به  افزایش یا کاهش دمای هوا شده بود، به درستی تبیین کند. ۴/۸۶ درصد از ماه هایی که تغییرات نداشتند، درست طبقه بندی شدند و ۲/۹۳ درصد از پیش بینی ها درباره تغییرات دمای هوا صحیح بود. درکل، ۳/۹۵ درصد از پیش بینی ها درست تخمین زده شد. نتایج نشان داد که تغییرات آب وهوا اثر معنی داری روی افزایش یا کاهش دمای ماهانه هوا در ایستگاه های مورد بررسی دارد. بیش ترین و کم ترین میزان دمای مشاهداتی هوا به ترتیب در ماه های ژوئیه و ژانویه، شبیه سازی ها نیز بیش ترین و کم ترین مقدار دما را برای همین ماه ها پیش بینی کرده اند. بیش ترین و کم ترین دمای هوا سالانه نیز به ترتیب برای ایستگاه های سیری و زرینه ثبت و پیش­بینی شده است.