چکیده:
برای تحلیل تغییرپذیری زمانی ، روند وقایع حد، تخمین ریسک و احتمال وقوع سری های زمانی طولانی مدت مورد نیاز است . یکی از مهم ترین سری های زمانی در علوم جغرافیایی و اقلیم شناسی مربوط به دمای حداکثر و حداقل روزانه است . این دو پارامتر دمایی در برآورد تبخیر و تعرق روزانه ، تعیین بیلان آبی و مطالعات تغییر اقلیم کاربرد دارد تعداد سالهای آماری متفاوت، نواقص آماری و خطای اندازه گیری باعث ایجاد سری های زمانی با پایه زمانی غیر مشترک می گردد. به این منظور بازسازی دادههای آماری امری لازم و ضروری است . در این تحقیق بازسازی دادههای دمای حداکثر و حداقل روزانه از روشهای نزدیک ترین همسایه و شبکه عصبی مصنوعی برای ٥ ایستگاه هواشناسی واقع در غرب استان تهران مورد بررسی قرار گرفت . در روش نزدیک ترین همسایه از رابطه بین دمای حداکثر و حداقل روزانه با نزدیک ترین ایستگاه استفاده شد و در روش شبکه عصبی مصنوعی با استفاده از شبکه ایستگاههای هواشناسی دمای حداکثر و حداقل روزانه بازسازی گردید. شبکه عصبی مورد استفاده در این تحقیق یک شبکه عصبی پیش خور با یک لایه پنهان و الگوی آموزشی پس انتشار خطا می باشد. نتایج نشان می دهد که برای کلیه ایستگاههای مورد مطالعه روش شبکه عصبی متوسط خطای مطلق کمتری را نسبت به روش نزدیک ترین همسایه دارد. در روش نزدیک ترین همسایه با افزایش فاصله ایستگاهها خطای برآورد افزایش می یابد. همچنین دقت هر دو روش در تخمین دمای حداکثر روزانه بیشتر از دمای حداقل روزانه می باشد.
خلاصه ماشینی:
"در این تحقیق بازسازی دادههای دمای حداکثر و حداقل روزانه از روشهای نزدیک ترین همسایه و شبکه عصبی مصنوعی برای ٥ ایستگاه هواشناسی واقع در غرب استان تهران مورد بررسی قرار گرفت .
این مقاله در نظر دارد تا با استفاده از روشهای نزدیک ترین همسایه و شبکه عصبی مصنوعی ضمن ارائه یک روش مناسب به منظور بازسازی دادههای دمای حداکثر و حداقل روزانه ، قابلیت و توانایی فاصله ایستگاهها نسبت به 7- Tokar 8- Elshorbargy ٩- مدل شبکه عصبی با ٢ نرون در لایه ورودی، ٣ نرون در لایه پنهان و یک نرون در لایه خروجی همدیگر و همچنین استفاده از شبکه ایستگاههای هواشناسی برای بازسازی دادههای دمای حداکثر و حداقل روزانه را مورد بررسی قرار دهد.
٢- تعداد سالهای آماری برای ایجاد رابطه همبستگی بایستی کافی بوده تا کمترین خطا را در ارزیابی 10- Nearest neighborhood 11- Artificial neural network 12- Validation 13- Test داشته باشیم با توجه به اینکه دادههای مورد استفاده در این مقاله دمای حداکثر و حداقل روزانه میباشد ٧ سال آمار روزانه برای این منظور کافی است .
34 کرج مقادیر MAE در جداول (٤) و (٥) نشان می دهد که روش ANN در بازسازی دمای حداکثر و حداقل روزانه نسبت به روش N-N دارای توانایی بالاتری است علت این موضوع به دلیل استفاده از تمامی ایستگاههای مجاور (شبکه ایستگاهها) در روش ANN می باشد در صورتی که در روش N-N تنها نزدیک ترین ایستگاه در نظر گرفته شده است ."