محمود هوشیار - استادیار آب و هواشناسی، دانشگاه پیام نور، تهران، ایران
نسرین جوانبخت شین اباد - کارشناسی ارشد آب و هواشناسی، گرایش تغییرات آب و هوایی

امروزه پیش بینی وضعیت دما به امری ضروری و لازمه زندگی مبدل شده است که به کمک آن می توان هزینه های تولید را کاهش و بهره وری را افزایش داد. در این پژوهش جهت مدل سازی دمای بیشینه فصل زمستان در شهر پیرانشهر از مدل شبکه عصبی پرسپترون جند لایه MLP استفاده شد. منابع اطلاعاتی و آماری از شبکه ایستگاه هایهواشناسی سینوپتیک پیرانشهر دریافت گردید و پس از تعیین عناصر تاثیرگذار بر دمای منطقه به ماتریسبندی داده ها جهت ورود به شبکه عصبی مصنوعی پرداخته شد. نتایج حاصل بیانگر آن است که، یک شبکه پیشخور از نوع پرسپترون چندلایه ( MLP )، توابع سیگموئیدی و خطی و الگوریتم لونبرگ -مارکوارت ( LM ) کارآترین شبکه می باشد. در واقع شبکه های طراحی شده توانستند دمای بیشینه را با حداکثر اختلاف 0/42 درجه سلسیوس با داده های واقعی پیش بینی کنند. به طوری که، میزان همبستگی داده های مشاهداتی و پیش بینی شده به 0/99 رسیده که در سطح یک درصد نیز معنی دار گشتند. نتایج حاصل از ارزیابی عملکرد مدل طراحی شده با شاخص های مختلف نشان می دهد که، مدل هایطراحی شده برای پیرانشهر، دارای خطای کم و همچنین همبستگی و ضریب تعیین بالایی هستند و این وضعیت نشان از توانایی قابل قبول و دقت بالای شبکه های عصبی مصنوعی و نقش موثر آن در مدل سازی دماهای بیشینه در سطح شهرها دارد.

مدل سازی، شبکه عصبی، بیشینه ی دما ، پیرانشهر، پرسپترون