بازسازي سري هاي زماني دماي حداكثر و حداقل روزانه با استفاده از روش نزديك ترين همسايه و شبكه عصبي مصنوعي (مطالعه موردي غرب استان تهران)

Time Series Reconstruction of Daily Maximum and Minimum Temperature Using Nearest Neighborhood and Artificial Neural Network Techniques (Case Study: West of Tehran Province)

براي تحليل تغييرپذيري زماني، روند وقايع حد، تخمين ريسك و احتمال وقوع سري‌هاي زماني طولاني مدت مورد نياز است. يكي از مهم‌ترين سري‌هاي زماني در علوم جغرافيايي و اقليم شناسي مربوط به دماي حداكثر و حداقل روزانه است. اين دو پارامتر دمايي در برآورد تبخير و تعرق روزانه، تعيين بيلان آبي و مطالعات تغيير اقليم كاربرد دارد تعداد سال‌هاي آماري متفاوت، نواقص آماري و خطاي اندازه‌گيري باعث ايجاد سري‌هاي زماني با پايه زماني غير مشترك مي‌گردد. به اين منظور بازسازي داده‌هاي آماري امري لازم و ضروري است. در اين تحقيق بازسازي داده‌هاي دماي حداكثر و حداقل روزانه از روش‌هاي نزديك‌ترين همسايه و شبكه عصبي مصنوعي براي 5 ايستگاه هواشناسي واقع در غرب استان تهران مورد بررسي قرار گرفت. در روش نزديك‌ترين همسايه از رابطه بين دماي حداكثر و حداقل روزانه با نزديك‌ترين ايستگاه استفاده شد و در روش شبكه عصبي مصنوعي با استفاده از شبكه ايستگاه‌هاي هواشناسي دماي حداكثر و حداقل روزانه بازسازي گرديد. شبكه عصبي مورد استفاده در اين تحقيق يك شبكه عصبي پيش خور با يك لايه پنهان و الگوي آموزشي پس انتشار خطا مي‌باشد. نتايج نشان مي‌دهد كه براي كليه ايستگاه‌هاي مورد مطالعه روش شبكه عصبي متوسط خطاي مطلق كمتري را نسبت به روش نزديك‌ترين همسايه دارد. در روش نزديك‌ترين همسايه با افزايش فاصله ايستگاه‌ها خطاي برآورد افزايش مي‌يابد. همچنين دقت هر دو روش در تخمين دماي حداكثر روزانه بيشتر از دماي حداقل روزانه مي‌باشد.

Long time series are needed for analysis of time variation, trend of extreme events, risk estimation and possible events. One of the most important time series in geographical and climatic science is daily maximum and minimum temperature. These two parameters use daily evapotranspiration estimation, determination of water balance and climate change study. Maximum and minimum temperature are measured in meteorological stations. However, different statistical years, deficiency in statistical data and error of measurement cause variation in time series. Therefore, reconstruction of time series is very important. This research evaluates reconstruction of daily extreme temperatures to nearest neighbor and artificial neural network methods for five stations in the west of Tehran Province. In the nearest neighborhood method correlation between respective maximum or minimum temperature is used. Whilst in the artificial neural network using meteorological stations network the minimum and maximum daily temperature are reconstituted. Neural network used in this research is a multilayer feed forward network with back propagation algorithm and hidden layer. Results show that artificial neural network method had least mean absolute error for all stations compared to the nearest neighbor method. With increasing distance of the station the estimated error increases in the nearest neighbor method. Accuracy of the two methods in estimating daily maximum is more than the daily minimum temperature.