تخمين بيشينه، متوسط و كمينه دماي هواي شهر تبريز با استفاده از روش هاي هوش مصنوعي

Estimation of maximum, mean and minimum air temperature in Tabriz City using artificial intelligent methods

تخمين دماي هواي هر منطقه يكي از مسايل مهم در برنامه ريزي كشاورزي و نيز مديريت منابع آب مي باشد كه به روش هاي مختلفي همچون مدل هاي تجربي، نيمه تجربي و هوشمند قابل انجام است. در تحقيق حاضر از سيستم استنتاج عصبي– فازي تطبيقي، شبكه هاي عصبي مصنوعي و برنامه ريزي ژنتيك براي تخمين مقادير دماي هوا در ايستگاه سينوپتيك شهر تبريز، واقع در شمال غرب ايران استفاده شده است. با توجه به شاخص هاي آماري، هر سه مدل با دقت قابل قبولي قادر به تخمين دقيق مقادير دماي كمينه، متوسط و بيشينه هوا مي باشند و با وجود تفاوت جزيي در دقت تخمين و خطاي مدل ها، سيستم استنتاج عصبي – فازي تطبيقي، شبكه هاي عصبي مصنوعي و برنامه ريزي ژنتيك به ترتيب در اولويت هاي اول تا سوم قرار مي گيرند. همچنين راه حل هاي صريحي كه نشانگر ارتباط بين متغيرهاي ورودي و خروجي باشد ، بر مبناي برنامه ريزي ژنتيك ارايه گرديده است كه ارجحيت برنامه ريزي ژنتيك بر دو مدل ديگر را در اين زمينه مي رساند.

Estimating air temperature is one of the important issues in agricultural planning and in water resources management which can be accomplished by using different methods such as empirical, semi-empirical and intelligent methods. In the present study, Adaptive Neuro Fuzzy Inference System, Artificial Neural Networks and Genetic Programming were used to estimate air temperature in the synoptic station of Tabriz City, northwest of Iran. Considering the statistical indices, all three models were able to estimate accurately minimum, mean and maximum air temperature. In spite of slight differences in the prediction accuracy and errors by the models, Adaptive Neuro Fuzzy Inference System, Artificial Neural Networks and Genetic Programming were in the order of priority. Also explicit solutions that show the relation between input and output variables are presented based on Genetic Programming. This adds to the superiority of Genetic Programming over the other two models.