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

نوع مقاله: مقاله تحقیقی‌ (پژوهشی‌)

نویسندگان

1 گروه مهندسی آب ، دانشکده کشاورزی، دانشگاه بوعلی‌سینا

2 گروه مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی‌سینا

چکیده

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.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Comparison of Multi-Layer Perceptron artificial neural network and Linacre regression model performance for predicting daily minimum temperature (Case study: Kerman, Shiraz, Rasht and Hamedan)

نویسندگان [English]

  • Ali Akbar Sabziparvar 1
  • Fatemeh Khoshhal Jahromi 2
1 Water Engineering Department, Faculty of Agriculture, Bu-Ali Sina University
2 Water Engineering Department, Faculty of Agriculture, Bu-Ali Sina University
چکیده [English]

The prediction of the minimum temperature is one of the main approaches to manage and reduce the risk damage caused by frostbite. For this purpose, using daily statistics of minimum, maximum and dew point temperatures during the period of 2005 to 2009, the minimum temperature of the next day was predicted for four stations (Rasht, Kerman, Shiraz and Hamedan) with different climate types by applying the Linacre regression model and the Multi-Layer Perceptron artificial neural network (MLP) in the whole year, the cold period (from October to late March) and the warm period (from April to late September). For this aim, the Matlab-2015 and IBM SPSS-20 software were used and statistical criteria RMSE, NRMSE and R2 were applied to evaluate the performance of the models. The results of this study, in all three periods, demonstrated that the best estimate of the Linacre regression model was obtained with root mean square error of 1.70 and 2.44°C for the whole year, 2.01 and 2.32°C for the cold period and 1.51 and 2.24°C for the warm period for Rasht and Shiraz stations with the PH-C-W and SA-C-W, respectively. The best results from MLP neural networks with Levenberg-Marquardt algorithm, logic sigmoid transfer function in the hidden layer, the linear transfer function in the output layer and two inputs (dew point and maximum temperature), like the Linacre regression model, were obtained with RMSE of 1.57 and 1.93°C for the whole year and 1.61 and 1.8 for the cold period for Rasht and Shiraz stations, respectively. The RMSE of the best results from MLP neural networks in the warm period was 1.21 and 1.44°C for Rasht and Hamedan stations, respectively. To evaluate the role of relative humidity on model results, this parameter was added as a third input to the multi-layer Perceptron network. The improved RMSE for the whole year was 17.4, 12.9, 49.4 and 18.3 percent and for the cold period of the year was 3.4, 2.86, 9.48 and 15.83 percent at Kerman, Shiraz, Hamedan and Rasht stations, respectively. These values for the warm period were 6, 13.33, 2.86 and 18.63 percent for the above mentioned stations. These improved errors indicate that only at Hamedan station, the cold period of the year produces more improvement in error reduction than the warm period of the year by adding relative humidity as the third input to the neural network model. In other stations, adding relative humidity in the warm year has led to a reduction in the error rate. In general, it can be said that selected MLP networks had better performance than the Linacre regression model in predicting the minimum daily temperature.

کلیدواژه‌ها [English]

  • Forecasting
  • Minimum temperature
  • Artificial Neural Network
  • Regression method

اسفندیاری، ف.، حسینی، س. ا.، آزادی مبارکی، م. و حجاری­زاده، ز.، 1389، پیش­بینی میانگین دمای ماهانه ایستگاه سینوپتیک سنندج با استفاده از مدل شبکه عصبی مصنوعی پرسپترون چند­لایه (MLP): فصلنامه جغرافیا، انجمن جغرافیایی ایران، 8(27)، 45-65.

اصغری مقدم، ا.، نورانی، و. و ندیری، ع.، 1387، مدل‌سازی بارش دشت تبریز با استفاده از شبکه­های عصبی مصنوعی: مجله دانش کشاورزی دانشگاه تبریز، 18(1)، 1-15.

امیر­مرادی، ک. و بهمنی، ا.، 1393، برآورد دمای روزانه خاک با استفاده از شبکه عصبی مصنوعی: نشریه پژوهش­های خاک (علوم خاک و آب) الف، 28(3)، 543- 556.

انصاری، ح.، کوهی، م. و صالح­نیا، ن.، 1391، پیش­بینی یخبندان­های تابشی با استفاده از حداقل داده­های هواشناسی: نشریه آب و خاک (علوم و صنایع کشاورزی)، 26(1)، 114-126.

پاشائیان، م.، قلی­زاده، ب.، سلطانی، س. ب.، بهزادی، ه. و شعبانپور، م. ر.، 1394، پیش­بینی دمای حداقل با استفاده از مدل­های چند­جمله­ای (مطالعه موردی: ایستگاه شاهرود)، پنجمین کنفرانس منطقه­ای تغییر اقلیم، تهران، 5 و 6 بهمن 1394.

تقوی، ف.، نیستانی، ا. و قادر، س.، 1392، ارزیابی پیش‌بینی­های کوتاه مدت بارش مدل عددی WRF در منطقه ایران در دوره یک ماهه: مجله فیزیک زمین و فضا، 39(2)، 145-170.

جرعه­نوش، م.ه. و سپاسخواه، ع. ر.، 1394، پیش­بینی سرمازدگی با تخمین دمای حداقل در دشت باجگاه و کوشکک: کنگره ملی آبیاری و زهکشی ایران، پردیس دانشگاه فردوسی مشهد، 23 و 24 اردیبهشت 1394.

حسینی، س. ا.، 1388، برآورد و تحلیل دماهای حداکثر شهرستان اردبیل با استفاده از مدل تئوری شبکه­های عصبی مصنوعی: پایان­نامه کارشناسی ارشد جغرافیای طبیعی (اقلیم­شناسی)، دانشکده ادبیات و علوم انسانی، دانشگاه محقق اردبیلی، ص 95.

خوشحال جهرمی، ف.، زند­پارسا، ش. و ده­بزرگی، ف.، 1394، مقایسه شبکه عصبی مصنوعی و رگرسیون چند متغیره خطی در برآورد دمای سطح خاک در منطقه نیمه خشک: اولین کنگره بین­المللی کشاورزی سالم، تغذیه سالم، جامعه سالم، تهران، مرداد ماه 1394.

ده بزرگی، ف. و سپاسخواه، ع. ر.، ۱۳۸۷، تخمین تبخیر- تعرق سطوح گیاهی مرجع با روش شبکه های عصبی مصنوعی: دومین همایش ملی مدیریت شبکه­های آبیاری و زهکشی، اهواز، دانشگاه چمران، بهمن 1387.

سبزی­پرور، ع. ا. و علیائی، ا.، 1390، ارزیابی عملکرد شبکه­های عصبی مصنوعی در برآورد تابش خورشیدی کل روزانه و مقایسه آن با نتایج مدل انگستروم (مطالعه موردی: ایستگاه همدیدی تبریز): مجله ژئوفیزیک ایران، 5(3)، 30-41.

شهاب­فر، ع. ر.، احترامیان، ک. و معتمدی، م.، 1383، پیش­بینی کوتاه مدت سرمازدگی محصولات کشاورزی با استفاده از رابطه دمای نقطه شبنم و دمای حداقل در شهر مشهد: فصلنامه جغرافیایی سرزمین، 1(2)، 97- 105.

علیقلی­نیا، ت.، رسولی مجد، ن.، رضایی، ح. و جباری، آ.، 1395، کاربرد شبکه عصبی مصنوعی در پیش­بینی تبخیر- تعرق با حداقل داده­های هواشناسی (مطالعه موردی: شهر ارومیه): محیط زیست و مهندسی آب، 2(2)، 122- 135.

غفاری، ع.، قاسمی، و.، و دپائو، ا.، 1394، پهنه‌بندی اقلیم کشاورزی ایران با استفاده از روش یونسکو: نشریه علمی- پژوهشی زراعت دیم ایران، 4(1)، 63-74.

قره­خانی، ا.، قهرمان، ن. و بختیاری، ب.، 1392، پیش­بینی دمای حداقل (سرمازدگی) با استفاده از مدل­های تجربی و هوش مصنوعی ( مطالعه موردی: استان فارس): دومین کنفرانس بین­المللی مدلسازی گیاه، آب، خاک و هوا، کرمان، 18 و 19 اردیبهشت 1392.

کوچک­زاده، م.، بهمنی، ع.، 1384، ارزیابی عملکرد شبکه­های عصبی مصنوعی در کاهش پارامترهای مورد نیاز جهت برآورد تبخیر و تعرق مرجع: مجله علوم کشاورزی، 11(4)، 87-97.

منهاج، م. ب. و سیفی­پور، ن.، 1377، کاربرد هوش محاسباتی در کنترل: مرکز نشر پروفسور حسابی، تهران.

منهاج، م. ب.، 1387، مبانی شبکه­های عصبی هوش محاسباتی: انتشارات دانشگاه صنعتی امیرکبیر، جلد اول، چاپ پنجم، تهران.

مهدویان، ع.، 1378، پیش­بینی محلی دمای حداقل شبانه‌روزی در منطقه کرج: پایان­نامه کارشناسی ارشد، دانشکده کشاورزی، دانشگاه تهران.

ناظم­السادات، س. ج.، سپاسخواه، ع. ر. و محمدی، ش.، 1380، بررسی رابطه دمای نقطه شبنم روزانه و دمای کمینه روز بعد در منطقه جهرم فارس (مطالعه موردی): علوم و فنون کشاورزی و منابع طبیعی، 5(3)، 9-16.

هوشیار، م.، حسینی، س. ا. و مسگری، ا.، 1391، مدلسازی دماهای حداقل شهرستان ارومیه با استفاده از مدل‌های رگرسیونی خطی و غیرخطی چندگانه و شبکه­های عصبی مصنوعی: اندیشه جغرافیایی، 6(12)، 1-33.

Allen, C. C., 1957, A simplified equation for minimum temperature prediction: Monthly Weather Review, 85(4), 119-120.

Dickey, W. W., 1960, Forecasting of Maximum and Minimum Temperature: U.S. Weather Bureau, Washington, D. C.

Emmanouil, G., Galanis, G., and Kallos, G., 2006, Statistical methods for the prediction of night-time cooling and minimum temperature: Meteorological Applications, 13(2), 169-178.

Humphreys, C. E., 2003, Physics of The Air, second edition, M. C. Graw-Hill Book Company, INC.

Jain, A., 2003, Predicting air temperature for frost warning using artificial neural network, a thesis submitted to the graduate faculty of the university of Georgia in partial fulfillment of the requirements for the degree master of science, Athens, Georgia, 92.

Kanani, S., Asadollahfardi, G. and Ghanbari, A., 2008, Application of artificial neural network to predict total dissolved solid in Achechay River Basin: World Applied Sciences Journal, 4(5), 646-654.

Karlsson, M., 2001, Prediction of hoar-frost by use of a road weather information system: Meteorological Applications, 8(1), 95-105.

Levitt, J., 1980, Responses of Plant to Environmental Stress, 1, Chilling, Freezing and High Temperature Stresses: Academic Press, New York.

Linacre, E., 1992, Climate data and resources: Routledge, London.

Moran, J., and Morgan, M. D., 1995, Essential of Weather: Prentice Hall, New York.

Sakcali, M. S., 2008, Eco-physiology of Capparis spinosa l.: A plant suitable for combating Desertification: Pakistan Journal of Botany, 40(4), 1481-1486.

Smith, R. M., 1973, Frost Forecasting for Christchurch: New Zealand Meteorological Service, Tech. Note, 217, 1-5.

Tokar, A. S., and Markus, M., 2000, Precipitation runoff modeling using artificial neural network and conceptual models: Journal of Hydrologic Engineering, ASCE, 5, 156-161.

Verstrate, M., Brink, A., Scholles, R., Beniston, M., and Stafford, S., 2008, Climate change and desertification: Where do we stand, where should we go?: Global and planetary change, 64(3-4), 105-110.