فریبا اسفندیاری درآباد - دانیشار گروه جغرافیایی طبیعی دانشگاه محقق اردبیلی
سیداسعد حسینی - دانشجوی دکتری اقلیم شناسی دانشگاه محقق اردبیلی

پیش بینی دماهای حداقل به عنوان یکی از پارامترهای اقلیمی در حوزه های مختلف مدیریت منابع سوخت، کشاورزی و ماشین آلات کشاورزی، سیستم های آبیاری و خطوط انتقال آب، بیماری ها، حمل و نقل و تصادفات جاده ای و غیره از اهمیت ویژه ای در تعیین سیاست های آینده جهت بهینه سازی این منابع و صرف هزینه ها، کنترل و جلوگیری از بحران و استفاده از منابع برخوردار است و پیش بینی دماهای حداقل اولین گامی است که می تواند ما را در بکارگیری تمامی امکانات موجود و اجرای روش های مقابله با سرما یاری نماید. از روش های نوین در زمینه ی پیش بینی پارامترهای اقلیمی، شبکه های عصبی مصنوعی از مؤلفه های هوش مصنوعی است که ابزاری توانمند در زمینه مدل سازی و پیش بینی پارامترهای اقلیمی است. در این پژوهش، با استفاده از اطلاعات میانگین ماهانه حداقل و حداکثر دما، میانگین حداقل و حداکثر رطوبت نسبی، مجموع ساعات آفتابی و میانگین مجموع بارش ماهانه ایستگاه سینوپتیک سقز در دوره آماری 23 ساله (2007-1985) به عنوان ورودی های شبکه عصبی مصنوعی، میانگین دمای حداقل ماهانه در طی سال های (2010-2008) به منظور تعیین میزان خطای شبکه و مقایسه آن با داده های واقعی، پیش بینی گردید. بدین منظور از امکانات و توابع موجود در محیط برنامه نویسی نرم افزار MATLAB بهره گرفته شد. سپس به ارزیابی عملکرد مدل، از طریق معیارهای آماری از جمله روابط رگرسیونی و ضریب همبستگی بین مقادیر مشاهداتی و پیش بینی شده و همچنین میانگین درصد نسبی خطا، میانگین مربعات خطا، مجذور میانگین مربعات خطا و میانگین مطلق خطا پرداخته شد. نتایج بدست آمده ضمن تأیید توانایی مدل شبکه عصبی مصنوعی نشان داد که انطباق خوبی بین مقادیر مشاهداتی و پیش بینی شده وجود دارد. بطوری که میانگین خطای این مدل برابر با 2/65 درصد و حداکثر خطای این مدل با داده های مشاهداتی کمتر از 1± درجه سلسیوس است. که توانایی قابل توجه مدل شبکه عصبی مصنوعی در پیش بینی دماهای حداقل منطقه مورد مطالعه را نشان می دهد. از این رو با استفاده از این مدل می توان وضعیت های دمایی را از قبل تعرف نمود و در مدیریت منابع و برنامه ریزی های محیطی دخالت داد.

دماهای حداقل، پیش بینی، سقز، شبکه عصبی مصنوعی