ارزیابی برخی توابع انتقال در شبکه های عصبی مصنوعی جهت پیش بینی کوتاه مدت دمای کمینه (مطالعه موردی: ایستگاه همدیدی سنندج)
پیش بینی کوتاه مدت دمای کمینه به منظور تعدیل اثرات سوء ناشی از سرمازدگی و یخبندان در بخش کشاورزی از اهمیت زیادی برخوردار است. در این پژوهش ابتدا فراوانی وقوع یخبندان های زودرس پاییزه و دیررس بهاره در ایستگاه همدیدی سنندج طی دوره آماری موجود استخراج شد. سپس با استفاده از داده های سینوپ شش متغیر دمای خشک، دمای تر، رطوبت نسبی، سرعت باد، جهت باد و پوشش ابر به عنوان ورودی های یک مدل شبکه عصبی از نوع پرسپترون چند لایه مبتنی بر الگوریتم یادگیری لونبرگ - مارکوآرت، میزان دمای کمینه در 3، 6، 9 و12 ساعت آتی پیش بینی گردید. به این منظور از توابع توابع انتقال موجود در نرم افزار MATLAB شامل hardlims، logsig، poslin، radbas، satlins، satlin، softmax، tansig و tribas استفاده شد. جهت مقایسه و ارزیابی مدل ها، از سنجه های آماری MAD، MSD، RMSD و R استفاده شد. نتایج نشان داد، توابع logsig، tansig، poslin و satlin در ماه آوریل به ترتیب با مقدار خطای 17/1، 61/1، 88/1 و 00/2 (◦C) و ضریب همبستگی بیش از 8/0 و توابع radbas، poslin، poslin و tribas در ماه اکتبر با مقدار خطای 60/1، 96/1، 99/1 و 36/1 درجه سلسیوس و ضریب همبستگی بالای 7/0 جهت پیش بینی دمای کمینه در ساعات 21:30، 00:30، 03:30 و 06:30 محلی، بیش ترین دقت و کارایی را دارند. همچنین در بین توابع مورد بررسی، تابع poslin با بیش ترین فراوانی دارای بهترین عملکرد در پیش بینی یخبندان های شبانه در سنندج می باشد. نتایج حاصل بیان گر کارآیی و دقت بالای شبکه عصبی مصنوعی در پیش بینی کوتاه مدت دمای کمینه در منطقه مورد مطالعه می باشد.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.