ارزیابی دقت دو روش برنامه‌ریزی بیان ‌ژن و شبکه‌های بیزین در پیش‌بینی دمای روزانه هوا 

نویسندگان

1 دانشجوی دکتری آبیاری و زهکشی، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه

2 دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه

3 دانش‌آموخته کارشناسی ارشد سازه‌های هیدرولیکی، دانشگاه آزاد اسلامی، واحد اهر

چکیده

دمای هوا یکی از مهم‌ترین متغیرهای مورد نیاز در مطالعات اقلیمی و برآورد نیاز آبی گیاهان می‌باشد. در سال‌های اخیر مدل‌های هوشمند متعددی از جمله دو روش برنامه‌ریزی بیان ژن و شبکه‌های بیزین برای تخمین دمای هوا به کار گرفته‌شده‌اند. هدف از تحقیق حاضر، ارزیابی دقت این دو مدل در پیش بینی عوامل دمایی یک روز معین بر اساس داده‌های یک تا هفت روز قبل است. برای این منظور از داده‌های 25 ساله دمای هوا ایستگاه‌های سینوپتیک ارومیه و تبریز استفاده شد. نتایج نشان داد که هر دو روش برنامه‌ریزی بیان ژن و شبکه‌های بیزین با دقت خوبی قادر به مدل‌سازی دمای حداقل، متوسط و حداکثر هوا بودند. با این حال، روش شبکه‌های بیزین دقت بیشتری نسبت به روش برنامه‌ریزی بیان ژن داشت. بر طبق یافته های تحقیق، در روش شبکه‌های بیزین و ایستگاه ارومیه در مرحله آزمون، مقادیر شاخص‌های ضریب تبیین (R2) و ریشه میانگین مربعات خطا (RMSE) در بهترین سناریو به ترتیب برابر 92/0 و 50/2 درجه سانتی‌گراد برای دمای حداقل، 96/0 و 83/1 درجه سانتی‌گراد برای دمای متوسط و 96/0 و 32/2 درجه سانتی‌گراد برای دمای حداکثر بودند. مقادیر شاخص های آماری مذکور در ایستگاه تبریز در بهترین سناریوهای مرحله آزمون و روش شبکه‌های بیزین برابر 93/0 و 42/2 درجه سانتی‌گراد برای دمای حداقل، 97/0 و  90/1 درجه سانتی‌گراد برای دمای متوسط و 95/0 و 42/2 درجه سانتی‌گراد برای دمای حداکثر به‌دست آمدند. در مجموع دقت پیش‌یابی دمای متوسط نسبت به دمای حداکثر و حداقل با هر دو روش در ایستگاه‌های مطالعاتی بیشتر بود.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of gene expression programming and Bayesian networks methods in predicting daily air temperature

نویسندگان [English]

  • S. Mehdizadeh 1
  • J. Behmanesh 2
  • H. Saadatnejad Gharahassanlou 3
چکیده [English]

Air temperature is one of the most important variables in estimating crop water requirement and climatic studies. In recent years, several intelligent models such as Gene Expression Programming and Bayesian Networks have been used to estimate air temperature. The purpose of the present research is to evaluate the accuracy of these two approaches in prediction of air temperature in a specific day (t) using data of one to seven days before, i.e. t-1 to t-7. For this purpose, a 25-years dataset of daily temperature of two stations in northwest of Iran, namely Urmia and Tabriz were collected and used for models performance comparison. The results showed that Gen Expression Programming and Bayesian Networks methods were capable to predict the minimum, mean and maximum air temperature with acceptable accuracy. However, the Bayesian networks method showed relatively better performance comparing to the Gene Expression Programming. The findings revealed that in testing stage of Bayesian networks method for Urmia station, the values of determination coefficient (R2) and root mean square error (RMSE) in the best scenario are 0.92 and 2.5 ◦C for minimum temperature, 0.96 and 1.83 ◦C for mean temperature, 0.96 ◦C and 2.3 ◦C for maximum temperature respectively. The corresponding values of statistical indices for Tabriz station in Bayesian networks method were found to be 0.93 and 2.42 ◦C for minimum temperature, 0.97 and 1.90 ◦C for mean temperature and 0.95 and 2.42 ◦C for maximum temperature. In general the mean temperature was predicted more accurately by both approaches in study stations.

کلیدواژه‌ها [English]

  • Air Temperature
  • Intelligent models
  • prediction
  • Iran