ارزیابی مدل های داده محور مبتنی بر ریزمقیاس نمایی مقادیر دمای روزانه

در این پژوهش با استفاده از شش مدل شبکه عصبی (ANN)، انفیس (ANFIS)، ماشین بردار پشتیبان (SVM)، برنامه ریزی ژنتیک (GP)، رگرسیون بردار پشتیبان (SVR) و رگرسیون چندمتغیره (Reg)، متوسط دمای روزانه ایستگاه های کرمان و بم طی دوره آماری 1961-2005 بررسی و شبیه سازی شد. نتایج نشان داد که متوسط دمای روزانه طی دوره های یاد شده افزایش چشمگیری برای هر دو منطقه خواهند داشت. نتایج  کلی به دست آمده حاکی از برتری نتایج مدل رگرسیونی SVR (کرمان: RMSE=1.105  و R=0.992) و (بم: RMSE=1.01  و R=0.99) می باشد. نتایج بررسی ها نشان داد که مدل SVR، میزان خطای شبیه سازی را نسبت به مدل های شبکه عصبی (ANN)، انفیس (ANFIS)، برنامه ریزی ژنتیک (GP) و رگرسیون چندمتغیره (Reg) در ایستگاه کرمان به ترتیب 32، 42، 30 و 11 درصد و در ایستگاه بم به ترتیب 62، 59، 27 و 27 درصد بهبود می بخشد. نتایج بررسی جذر میانگین مربعات خطا نشان داد که از بین شش مدل مورد بررسی، مدل رگرسیون بردار پشتیبان و برنامه ریزی ژنتیک برای ایستگاه بم و مدل رگرسیون بردار پشتیبان برای ایستگاه کرمان از دقت بالاتری برخوردار می باشد. همچنین نتایج نشان داد که برآورد میزان دمای متوسط ایستگاه سینوپتیک بم دارای کارایی و دقت بیشتری نسبت به ایستگاه سینوپتیک کرمان هستند. در این پژوهش هر چند آنالیز نتایج خروجی مدل ها منجر به نتایج یکسانی نشد ولی نتایج مدل ها بیانگر افزایش در متغیر های دمایی در دو شهر کرمان و بم در دوره های آتی می باشد.