مطالعه و ارزیابی دما شهر الشتر براساس مدل شبکه عصبی مصنوعی

این تحقیق به منظور بررسی تغییر اقلیم در ناحیه غربی ایران استان لرستان شهرستان الشتر بر مبنای ارزیابی و پیش بینی تغییرات دما صورت گرفته است. هدف از این پژوهش مدل سازی برای پیش‌بینی میانگین دمای ماهانه فصلی ایستگاه‌های منتخب استان لرستان به ویژه منطقه الشتر می‌باشد. شناسایی و آشکار سازی پهنه‌های آسیب‌پذیر با زیر ساخت‌هایی از قبیل کشاورزی؛ هیدرولوژی؛ حمل و نقل نواحی شهرستان در شرایط تغییر اقلیم می‌باشد. و با توجه به عدم وجود ودر دسترس نبودن دیتای سری زمانی 30 ساله‌ی الشتر لذا از شهرستان‌های همجوار از جمله ایستگاه‌های سینوپتیک خرم آباد الشتر بروجرد استفاده شده است در همین رابطه آمار 30ساله (2019-1989) تعداد سه ایستگاه سینوپتیک فوق‌الذکر استان لرستان مورد مطالعه و بررسی قرارگرفت و تغییرات معنی دار دماهای بیشینه و کمینه متوسط و همچنین دامنه شبانه‌روزی دما (dtr)که بیان گر اختلاف مقادیر دماهای بیشینه و کمینه می‌باشد» در دو مقیاس زمانی فصلی و سالانه مورد تجزیه وتحلیل قرار گرفت. بدین منظور؛ ابتدا دوره مطالعاتی در بازه زمانی 20 ساله و30 ساله تقسیم شده و با توجه به میزان تغیرات دما؛ دوره نرمال اقلیمی برای کلیه ایستگاه‌ها استخراج گردید. سپس مقادیر میانگین داده‌ها؛ با استفاده از مدل شبکه عصبی مصنوعی توانایی زیادی در شبیه‌سازی و پیش‌بینی عناصر جوی و آب و هوایی به ویژه دما دارد. پکیج fore gast استفاده شده است. نرم ابزار برنامه نویسیr  دو نمونه مورد مقایسه قرارگرفت و اختلاف‌های معنی‌دار سطح اطمینان 95٪و80٪ مشخص شدند. در این رابطه؛ بیشترین و کمترین تفاوت میانگین دوره‌ها؛ به ترتیب به دماهای کمینه و بیشینه اختصاص یافت همچنین روند داده‌ها در بازه زمانی 20 ساله اخیر نیز مورد بررسی قرار گرفت و بر اساس نتایج آن؛ دماهای متوسط؛ بیشینه و کمینه دارای روندی افزایشی بوده است. از نظر فصلی نیز زمستان شدیدترین تغییرات را در منطقه در برداشته است میزان موارد اختلاف بین بازه زمانی 20 ساله و بازه‌های 30 (دوره نرمال) 30 ساله به ترتیب 95 درصد و80 درصد می‌باشد. در بازه 20ساله اخیر؛ بیشترین و کمترین روند معنی دار ایستگاه‌ها؛ به ترتیب در فصول تابستان و پاییز مشاهده گردید. دوره اقلیم تحت دو سناریوی nnarforegast گزارش و استخراج شد.

study and evaluation of temperature in aleshtar city based on artificial neural network model

this study was conducted to investigate climate change in the western part of iran, lorestan province, aleshtar city, based on the effect and prediction of temperature change. the purpose of this study is modeling to predict the average monthly seasonal temperature of selected stations in lorestan province, especially aleshtar region-identification and detection of vulnerable areas with substructures such as agriculture; hydrology; transportation of city areas is in the conditions of climate change-and due to the absence and unavailability of 30-year time series data of aleshtar, therefore, adjacent cities such as khorramabad-aleshtar-boroujerd synoptic stations have been used. in this regard, 30-year statistics (1989-2019) of the three above-mentioned synoptic stations in lorestan province were studied and significant changes in maximum and minimum temperatures, as well as the 24-hour temperature range (dtr) which indicates the difference between maximum and minimum temperatures was analyzed in two seasonal and annual time scales. for this purpose; first, the study period is divided into 20-year and 30-year periods normal climatic period was extracted for all stations according to the amount of temperature changes. then the average values of the data; using artificial neural network model; have a great ability to simulate and predict atmospheric and climatic elements, especially temperature. the gast fore package is used. two samples were compared in the r programming software and significant differences in 95% and 80% confidence levels were identified. in this regard, the most and the least difference between the mean of the courses was assigned to the minimum and maximum temperatures, respectively. also, the trend of the data in the last 20 years was examined and, the average, maximum and minimum temperatures had an increasing trend based on the results. in terms of seasonality, winter has the most severe changes in the region. the difference between the 20-year period and the 30-year (normal period) of 30 years is 95% and 80%, respectively. in the last 20 years; the most and the least significant trend of stations, was observed in summer and autumn, respectively. the climate period was reported and extracted under two nnar foregast scenarios.