بازسازی سری های زمانی دمای حداکثر و حداقل روزانه با استفاده از روش نزدیک ترین همسایه و شبکه عصبی مصنوعی (مطالعه موردی غرب استان تهران)

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 سال های آماری متفاوت، نواقص آماری و خطای اندازه گیری باعث ایجاد سری های زمانی با پایه زمانی غیر مشترک می گردد. به این منظور بازسازی داده های آماری امری لازم و ضروری است. در این تحقیق بازسازی داده های دمای حداکثر و حداقل روزانه از روش های نزدیک ترین همسایه و شبکه عصبی مصنوعی برای 5 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 ایستگاه های 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 ایستگاه های 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 ایستگاه ها خطای برآورد افزایش می یابد. همچنین دقت هر دو روش در تخمین دمای حداکثر روزانه بیشتر از دمای حداقل روزانه می باشد.