علی اکبر سبزی پرور

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. به این منظور، با استفاده از آمار روزانه پارامترهای کمینه دما، بیشینه 2005 ، کمینه دمای روز بعد در چهار ایستگاه با اقلیمهای متفاوت توسط مدل رگرسیونی - دما و دمای نقطه شبنم در دوره آماری 2009 در کل سال، دوره سرد و دوره گرم پیشبینی شد. در این پژوهش برای ،(MLP) لیناکر و شبکه عصبی مصنوعی پرسپترون چندلایه استفاده شد. نتایج نشان داد که از چهار ایستگاه، بهترین برآورد، با R و 2 RMSE ،NRMSE ارزیابی عملکرد مدلها از معیارهای آماری با دو ورودی برای ایستگاه رشت به دست آمد که ریشه میانگین مربعات خطای آن برای کل سال، دوره سرد و دوره MLP شبکه عصبی 1 است. برای بررسی نقش رطوبت نسبی در جهت بهبود مدل شبکه عصبی، این پارامتر به عنوان ورودی / 1 و 21 /61 ،1/ گرم بهترتیب 57 در دوره سرد سال برای ایستگاههای کرمان، شیراز، همدان RMSE ، سوم به شبکه پرسپترون چندلایه افزوده شدکه در نتیجه آن 18/ 2 و 63 /86 ،13/33 ، 15 درصد بهبود یافت. این مقادیر برای دوره گرم سال 6 / 9 و 83 /48 ،2/86 ،3/ (فرودگاه) و رشت به ترتیب 04 درصد بود؛ بنابراین اضافه کردن رطوبت نسبی به عنوان ورودی سوم به مدل شبکه عصبی، تنها در ایستگاه همدان – که براساس در دوره سرد سال نسبت به دوره گرم سال شده است RMSE است - سبب بهبود بیشتر SA-K-W طبقه بندی یونسکو، اقلیم آن درحالی که در سایر ایستگاهها، اضافه کردن رطوبت نسبی در دوره گرم سال، منجر به کاهش بیشترخطا شده است. در جمع بندی 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.