ارزیابی عملکرد برنامه ریزی ژنتیک در مدل سازی دمای متوسط ماهانه درنمونه های اقلیمی مختلف ایران

نویسنده

چکیده

میانگین دمای ماهانه از کمیت های مهم در مطالعات اقلیم شناسی کشاورزی است و به این دلیل روش های متنوعی برای محاسبه آن ارائه شده است. در مطالعه حاضر، از روش برنامه ریزی ژنتیک (GP)برای مدل سازی دمای متوسط ماهانه در 11 ایستگاه سینوپتیک ایران با تنوع اقلیمی سرد و خشک تا گرم و خشک استفاده گردید. رهیافت فوق طی دو مرحله اجرا گردید: 1- آموزش مدل جهت تخمین سری زمانی داده ها 2- صحت سنجی مدل توسعه یافته با استفاده از داده های واقعی. داده های مورد مطالعه در این تحقیق، سری زمانی دمای متوسط ماهانه می باشد که در شش الگوی حافظه ای (تأخیری) متفاوت آموزش دیدند. در مرحله دوم برای ارزیابی این مدل ها از مجذور میانگین مربعات خطا (RMSE) و ضریب تبیین (R2) استفاده شد. درنهایت مدل هایی با دقت قابل قبول برای ایستگاه های مطالعاتی پیشنهاد شد. نتایج به دست آمده نشان می دهد که روش برنامه ریزی ژنتیک روش مناسبی برای مدل سازی کمیت میانگین دمای ماهانه می باشد. قابل ذکر است که دقت و کارایی این روش در مناطق و اقلیم های مختلف، متفاوت بوده و ضرایب به دست آمده در سایر اقالیم نیازمند واسنجی است. در میان ایستگاه های مطالعاتی، بهترین مدل برای ایستگاه زابل با ضریب تبیین 0/96 و مجذور میانگین مربعات خطا 1/9 درجه سانتی گراد به دست آمد.

کلیدواژه‌ها

عنوان مقاله [English]

Evaluation the performance of genetic programming in modeling mean monthly temperature in different climates of Iran andnbsp; andnbsp;

نویسنده [English]

  • A. Amini Rakan
چکیده [English]

Mean monthly temperature is one of the most important parameters in agroclimatic studies and hence several approaches have been proposed for its precise estimation. In this study, the genetic programming approach is used to model monthly mean temperature in selected synoptic stations namely; Mashhad, Sanandaj, Tabriz, Ghazvin and Kermanshah with cold-arid climate and Yazd, Kerman, Zahedan, Bam and Zabolwithwarm-arid climate. Genetic programming approach wasperformed in two steps.1.Training and 2.Validation. In first step, the time series with six different patterns were prepared and trained. Then, in the second step, the obtained models were validated usingcoefficient of determination (R2) and root mean square error (RMSE) indices. Finally,based on these statistics, selected modelswere proposed for selected stations. The results showed that, genetic programming is an appropriate method for modeling mean monthly temperature. The result also indicated that, model performs better in warm-arid climates. The best results were obtained in 4th pattern of cold-arid and 5th pattern of warm-arid climates. Among the studied stations, Zabol showed the most acceptable results with R2andnbsp;and RMSEof 0.96 and 1.91andordm;C, respectively.

andnbsp;

کلیدواژه‌ها [English]

  • ">Genetic programming, Modeling, Monthly mean temperature, Iran

فایل ها

هم رسانی

ارجاع به این مقاله

آمار