مدلسازی دمای حداقل در استان فارس با استفاده از مدل شبکه عصبی بازگشتی LSTM

پیش بینی دمای حداقل به عنوان یکی از پارامتر های اقلیمی دارای کاربرد های مختلفی در کشاورزی مانند پیش بینی سرمازدگی و سیستم های آبیاری و مدیریت خطوط انتقال آب است. روش های مختلفی برای مدلسازی دمای حداقل از جمله روش های فیزیکی، تجربی، آماری و هوش مصنوعی به کار گرفته می شود. در این پژوهش، از شبکه عصبی بازگشتی LSTM1 که از روش های هوش مصنوعی می باشد، برای مدل سازی دمای حداقل بر روی داده های هشت ایستگاه سینوپتیک استان فارس استفاده شده است. با به کارگیری ویژگی های دمای حداقل، دمای حداکثر و نقطه ی شبنم در طول مدت 24 ساعت مدلسازی برای پیش بینی دمای حداقل 24 ساعت آینده انجام شده است. نتایج به دست آمده نشان می دهد که این مدل برای پیش بینی سرمازدگی با تخمین ((پایین ترین دمای حداقل)) خطای RMSE بین 1,51 الی 2,43 درجه سانتیگراد در ایستگاه های مختلف دارد که نسبت به مدل تجربی در همان ایستگاه ها خطای کمتری است، علاوه بر این با توجه به اینکه این مدل 24 ساعت بعد را مدلسازی میکند، می تواند حدود 18 ساعت زودتر از مدل تجربی سرمازدگی را پیش بینی کند تا هشدار لازم به کشاورزان زودتر داده شود.

کلیدواژه ها:

سرمازدگی ، مدل سازی دمای حداقل ، شبکه عصبی ، شبکه عصبی بازگشتی