مقایسه عملکرد شبکه عصبی پرسپترون چندلایه و مدل رگرسیونی لیناکر در پیش‌بینی کمینه دمای روز بعد (مطالعه موردی: کرمان، شیراز، رشت و همدان)

سرمازدگی یکی از مهم­ترین مخاطرات جوی است که خسارات زیادی را به محصولات کشاورزی وارد می­کند. یکی از راه­های مدیریت و کاهش خسارت­های ناشی از سرمازدگی، پیش­بینی دمای کمینه است. به‌این‌منظور، با استفاده از آمار روزانه پارامترهای کمینه دما، بیشینه دما و دمای نقطه شبنم در دوره آماری 2009- 2005، کمینه دمای روز بعد در چهار ایستگاه با اقلیم­های متفاوت توسط مدل رگرسیونی لیناکر و شبکه عصبی مصنوعی پرسپترون چند­لایه (MLP)، در کل سال، دوره سرد و دوره گرم پیش­بینی شد. در این پژوهش برای ارزیابی عملکرد مدل­ها از معیارهای آماری NRMSE،RMSE  و R2 استفاده شد. نتایج نشان داد که از چهار ایستگاه، بهترین برآورد، با شبکه عصبی MLP با دو ورودی برای ایستگاه رشت به‌دست‌آمد که ریشه میانگین مربعات خطای آن برای کل سال، دوره سرد و دوره گرم به­ترتیب 57/1، 61/1 و 21/1 است. برای بررسی نقش رطوبت نسبی در جهت بهبود مدل شبکه عصبی، این پارامتر به‌عنوان ورودی سوم به شبکه پرسپترون چند­لایه افزوده شدکه در نتیجه آن، RMSE در دوره سرد سال برای ایستگاه­های کرمان، شیراز، همدان (فرودگاه) و رشت به‌ترتیب 04/3، 86/2، 48/9 و 83/15 درصد بهبود یافت. این مقادیر برای دوره گرم سال 6، 33/13، 86/2 و 63/18 درصد بود؛ بنابراین اضافه کردن رطوبت نسبی به‌عنوان ورودی سوم به مدل شبکه عصبی، تنها در ایستگاه همدان – که براساس طبقه‌بندی یونسکو، اقلیم آن SA-K-W است - سبب بهبود بیشتر RMSE در دوره سرد سال نسبت به دوره گرم سال شده است درحالی‌که در سایر ایستگاه­ها، اضافه کردن رطوبت نسبی در دوره گرم سال، منجر به کاهش بیشترخطا شده است. در جمع‌بندی می­توان گفت که برای همه اقلیم­های مورد­مطالعه، شبکه­های عصبی مصنوعی منتخب، کارایی بهتری را نسبت به مدل رگرسیونی لیناکر در پیش­بینی دمای کمینه روز بعد از خود نشان می­دهند.