مطالعه وارزيابي دما شهر الشتر براساس مدل شبكه عصبي مصنوعي

Study and Evaluation of Temperature in Aleshtar City based on Artificial Neural Network Model

اين تحقيق به منظور بررسي تغيير اقليم در ناحيه غربي ايران استان لرستان شهرستان الشتر بر مبناي ارزيابي و پيش بيني تغييرات دما صورت گرفته است. هدف از اين پژوهش "مدل سازي براي پيش‌بيني ميانگين دماي ماهانه فصلي ايستگاه‌هاي منتخب استان لرستان به ويژه منطقه الشتر مي‌باشد. شناسايي و آشكار سازي پهنه‌هاي آسيب‌پذير با زير ساخت‌هايي از قبيل كشاورزي؛ هيدرولوژي؛ حمل و نقل نواحي شهرستان در شرايط تغيير اقليم مي‌باشد. و با توجه به عدم وجود ودر دسترس نبودن ديتاي سري زماني 30 ساله‌ي الشتر لذا از شهرستان‌هاي همجوار از جمله ايستگاه‌هاي سينوپتيك خرم آباد -الشتر -بروجرد استفاده شده است در همين رابطه آمار 30ساله (1989-2019) تعداد سه ايستگاه سينوپتيك فوق‌الذكر استان لرستان مورد مطالعه و بررسي قرارگرفت و تغييرات معني دار دماهاي بيشينه و كمينه متوسط و همچنين دامنه شبانه‌روزي دما (dtr)كه بيان گر اختلاف مقادير دماهاي بيشينه و كمينه مي‌باشد» در دو مقياس زماني فصلي و سالانه مورد تجزيه وتحليل قرار گرفت. بدين منظور؛ ابتدا دوره مطالعاتي در بازه زماني 20 ساله و30 ساله تقسيم شده و با توجه به ميزان تغيرات دما؛ دوره نرمال اقليمي براي كليه ايستگاه‌ها استخراج گرديد. سپس مقادير ميانگين داده‌ها؛ با استفاده از مدل شبكه عصبي مصنوعي توانايي زيادي در شبيه‌سازي و پيش‌بيني عناصر جوي و آب و هوايي به ويژه دما دارد. پكيج fore gast استفاده شده است. نرم ابزار برنامه نويسيr دو نمونه مورد مقايسه قرارگرفت و اختلاف‌هاي معني‌دار سطح اطمينان 95٪و80٪ مشخص شدند. در اين رابطه؛ بيشترين و كمترين تفاوت ميانگين دوره‌ها؛ به ترتيب به دماهاي كمينه و بيشينه اختصاص يافت همچنين روند داده‌ها در بازه زماني 20 ساله اخير نيز مورد بررسي قرار گرفت و بر اساس نتايج آن؛ دماهاي متوسط؛ بيشينه و كمينه داراي روندي افزايشي بوده است. از نظر فصلي نيز زمستان شديدترين تغييرات را در منطقه در برداشته است ميزان موارد اختلاف بين بازه زماني 20 ساله و بازه‌هاي 30 (دوره نرمال) 30 ساله به ترتيب 95 درصد و80 درصد مي‌باشد. در بازه 20ساله اخير؛ بيشترين و كمترين روند معني دار ايستگاه‌ها؛ به ترتيب در فصول تابستان و پاييز مشاهده گرديد. دوره اقليم تحت دو سناريوي nnar"foregast گزارش و استخراج شد.

Temperature assessment and forecasting is one of the most practical estimates of climatic elements. Today, the agricultural and industrial sectors are highly dependent on the temperature conditions. Temperature is one of the most important climatic meters that is one of the main factors in the climate identity of each region. The purpose of this study is to make a model for predicting the average monthly seasonal temperature of selected stations in Lorestan province, including Al-Shatrami region. Identification and detection of vulnerabilities in the infrastructure of Aleshtar districts in the conditions of climate change. an‎d due to the inadequacy of the 30-year time series of Al-Ashtarl, neighboring cities such as Khorramabad-Aleshtar-Borujerd synoptic stations have been used, because the artificial neural network method has a great ability to simulate and predict atmospheric elements. an‎d the weather, especially the temperature. To model and predict the seasonal monthly temperature, the r programming tool software of the fOre gast package has been used. Two tests of estimator trend analysis have been used. The 30-year time series trend of these elements was examined during the basic statistical period (1989-2019). The climate cycle was reported and extracted under two scenarios: NNAR and forEgast. The artificial neural network is one of the most powerful models capable of receiving and displaying complex Data input and output is one of the most widely used neural network (NNA) models to determine the best network inputs