پیش بینی میزان بارندگی ماهانه در شهر شیراز با استفاده از انواع شبکه های عصبی یک مطالعه تطبیقی بر پایه داده های FarsMet

در این پژوهش عملکرد چندین مدل یادگیری عمیق در پیش بینی میزان بارندگی ماهانه در شهر شیراز بررسی و مقایسه شده است. برای آموزش مدل ها از مجموعه داده ای برگرفته از سایت هواشناسی استان فارس، شامل ۷۰۲ نمونه از داده های اقلیمی همچون دما، رطوبت، تعداد روزهای یخبندان، میزان تبخیر و سایر پارامترهای مرتبط استفاده شده است. این داده ها پس از جمع آوری، پاکسازی و آماده سازی به صورت عمومی منتشر شده اند. در این تحقیق پنج ساختار شبکه عصبی شامل شبکه پرسپترون چندلایه (MLP)، حافظه بلندمدت (LSTM)، LSTM دوطرفه (Bidirectional LSTM)، واحد بازگشتی دروازه دار (GRU) و مدل ترکیبی CNN-LSTM طراحی و پیاده سازی شده اند. آموزش مدل ها با استفاده از تابع زیان میانگین مربعات خطا (MSE) و بهینه ساز Adam انجام شده و دقت پیش بینی آن ها بر اساس معیارهای MAE و RMSE ارزیابی گردیده است. نتایج حاصل نشان می دهد که مدل LSTM با کمترین میزان خطا (RMSE = ۰.۰۵۴۲)، عملکرد بهتری در پیش بینی بارندگی نسبت به سایر مدل ها دارد. همچنین مدل Bidirectional LSTM به دلیل ساختار دوطرفه خود در درک وابستگی های زمانی نتایج قابل قبولی ارائه داده است. این مدل ها می توانند در تصمیم گیری های مرتبط با مدیریت منابع آب کشاورزی هوشمند و برنامه ریزی محیطی نقش موثری ایفا نمایند.

کلیدواژه ها:

پیش بینی بارندگی ، Bidirectional LSTM ، LSTM ، دیتاست FarsMet