مدل سازی درجه حرارت هوا با استفاده از هوش مصنوعی در نمونه های اقلیمی ایران

دمای هوا یک عامل هواشناسی و اقلیم شناسی مهم است که تغییرات آن منشأ بسیاری تحولات در بخش کشاورزی، منابع آب و محیط زیست می باشد. به همین دلیل اندازه گیری و پیش بینی دمای هوا اهمیت و سابقه طولانی تری نسبت به سایر پارامترهای هواشناسی دارد. هدف از این تحقیق ارائه یک مدل ریاضی برای سری زمانی دمای متوسط ماهانه، با استفاده از روش جدید برنامه ریزی بیان ژن (gep) می باشد. برنامه ریزی بیان ژن یک الگوریتم بسیار قدرتمند برای مدل سازی و کشف رابطه بین پدیده های پیچیده می باشد که از برنامه ریزی ژنتیک مستخرج گردیده است. برنامه ریزی بیان ژن دقت بسیار زیادی نسبت به سایر روش های هوش مصنوعی دارد. همچنین دیگر ویژگی آن ارایه یک رابطه ریاضی از مدل ساخته شده می باشد. این روش در دو مرحله عمده انجام می گیرد. 1- آموزش مدلی که بتواند داده های سری زمانی را تخمین بزند. 2- صحت سنجی یا آزمون مدل ارائه شده در مرحله قبل با داده های واقعی. داده های مورد مطالعه در این تحقیق سری زمانی دمای متوسط ماهانه می باشد که از سازمان هواشناسی کل کشور تهیه گردیده است. مدل ها در شش الگوی حافظه ای (تأخیری) متفاوت آموزش دیدند. در مرحله دوم برای ارزیابی این مدل ها از مجذور میانگین مربعات خطا (rmse) و ضریب تبیین (r2) استفاده شد. 80 درصد داده ها برای آموزش و 20 درصد برای آزمون در نظر گرفته شد. به این ترتیب سری زمانی دمای متوسط ماهانه در 31 ایستگاه سینوپتیک کشور مدل سازی گردید. مدل های بدست آمده در هفت اقلیم متفاوت کشور طبقه بندی شده، نتایج هر اقلیم ارائه و با یکدیگر مقایسه شدند. نتایج تحقیق نشان داد که 45 درصد مدل ها در الگوی چهارم بدست آمد. همچنین گرچه روش برنامه ریزی ژنتیک یک روش بسیار مطلوب برای مدل سازی پارامترهای هیدرولوژیکی می باشد، ولی دقت و کارایی این روش در مناطق و اقلیم های مختلف، متفاوت بوده و برای مدل های بدست آمده از یک اقلیم خاص، انتظار می رود که مدل ها در فاکتورهای اساسی مثل الگوهای ورودی شبیه هم باشند. در نهایت نتایج نشان دادند که مدل gep برای مدل سازی دمای متوسط ماهانه خیلی مناسب است. بهترین مدل در این تحقیق برای گروه اقلیمی هفتم و شهرستان زابل بدست آمد.