پیش بینی دمای حداقل(سرمازدگی) با استفاده از مدل های تجربی و هوش مصنوعی( مطالعه موردی: استان فارس)

یکی از مسائلی که تولیدات کشاورزی را در نقاط مختلف دنیا تهدید می کند، سرمازدگی و یخبندان است. به همین دلیل پیشبینی وقوه دماهای صدمه زننده به گیاهان (سرمازدگی) یکی از مباحث بنیادی در مدل سازی های هواشناسی کشاورزی است. دراین مطالعه چهار ایستگاه سینوپتیک شیراز، آباده، درودزن و لار واقع در استان فارس که دارای پراکنش نسبتا مناسبی در سطح استان فارس هستند انتخاب و اطلاعات روزانه دمای حداقل، دمای حداکثر و دمای نقطه شبنم در بازه زمانی 1995-2002 استخراج گردید. جهت پیش بینی سرمازدگی از دو مدل تجربی لیناکر و شبکه عصبی مصنوعی استفاده شد. نتایج مدل تجربی لیناکر نشان داد که می توان با استفاده از دمای حداکثر و دمای نقطه شبنم هر روز معین مقادیر دمای حداقل روز بعد را با دقت قابل قبولی پیش بینی کرد. نتایج مدل شبکه عصبی مصنوعی نشان داد که بهترین پیش بینی برای دمای حداقل روز آینده با 1/58 و 1/75 درجه سانتیگراد خطا (RMSE) مربوط به ایستگاه درودزن و شیراز بوده است که ضریب تعیین آنها به ترتیب 96 و 95 درصد میباشد. همچنین کمترین مقدار RMSE بدست آمده با استفاده از مدل تجربی لیناکر مربوط به ایستگاههای درودزن و شیراز به ترتیب با 1/66 و 1/93 درجه سانتیگراد میباشد و ضریب تعیین آنها به ترتیب 95 و 94 درصد میباشد. نتایج نشان داد، هر دو مدل تجربی و شبکه عصبی مصنوعی بهترین نتیجه را در ایستگاههای شیراز و درودزن ارائهکردهاند. در هر حال نتایج نشان دهنده عملکرد بهتر مدل شبکه عصبی مصنوعی نسبت به مدل تجربی لیناکر میباشد. ارزیابیاین مدلها در سایر مناطق کشور توصیه می شود.

کلیدواژه ها:

سرمازدگی ، شبکه عصبی مصنوعی ، فارس ، لیناکر ، مدل تجربی