ارزیابی مدل‌‌های داده محور مبتنی بر ریزمقیاس نمایی مقادیر دمای روزانه

در این پژوهش با استفاده از شش مدل شبکه عصبی (ann)، انفیس(anfis)، ماشین بردار پشتیبان (svm)، برنامه‌ریزی ژنتیک (gp)، رگرسیون بردار پشتیبان (svr) و رگرسیون چندمتغیره (reg)، متوسط دمای روزانه ایستگاه های کرمان و بم طی دوره آماری 19612005 بررسی و شبیه سازی شد. نتایج نشان داد که متوسط دمای روزانه طی دوره های یاد شده افزایش چشمگیری برای هر دو منطقه خواهند داشت. نتایج  کلی به دست آمده حاکی از برتری نتایج مدل رگرسیونی svr (کرمان: rmse=1.105  و r=0.992) و (بم: rmse=1.01  و r=0.99) می باشد. نتایج بررسی ها نشان داد که مدل svr، میزان خطای شبیه سازی را نسبت به مدل های شبکه عصبی (ann)، انفیس (anfis)، برنامه‌ریزی ژنتیک (gp) و رگرسیون چندمتغیره (reg) در ایستگاه کرمان به ترتیب 32، 42، 30 و 11 درصد و در ایستگاه بم به ترتیب 62، 59، 27 و 27 درصد بهبود می بخشد. نتایج بررسی جذر میانگین مربعات خطا نشان داد که از بین شش مدل مورد بررسی، مدل رگرسیون بردار پشتیبان و برنامه ریزی ژنتیک برای ایستگاه بم و مدل رگرسیون بردار پشتیبان برای ایستگاه کرمان از دقت بالاتری برخوردار می باشد. همچنین نتایج نشان داد که برآورد میزان دمای متوسط ایستگاه سینوپتیک بم دارای کارایی و دقت بیشتری نسبت به ایستگاه سینوپتیک کرمان هستند. در این پژوهش هر چند آنالیز نتایج خروجی مدل ها منجر به نتایج یکسانی نشد ولی نتایج مدل ها بیانگر افزایش در متغیر های دمایی در دو شهر کرمان و بم در دوره ‌های آتی می باشد.

Evaluation of Data-Driven Models Based on Downscaling of Daily Temperature Values

In this study, using six models of neural network (ANN), ANFIS, support vector machine (SVM), genetic programming (GP), support vector regression (SVR) and multivariate regression (Reg), the mean daily temperature at Kerman and Bam stations, Iran were studied and simulated during the period of 19612005. The results showed that the mean daily temperature during the mentioned periods will increase significantly for both stations. The overall results indicate the superiority of the results of the SVR model (Kerman: RMSE = 1.105 oC and R = 0.992) and (Bam: RMSE = 1.01 oC and R = 0.99). The results showed that the SVR model improved the simulation error rate compared to the neural network (ANN), ANFIS, genetic programming (GP) and multivariate regression (Reg) models in Kerman station about 32, 42, 30 and 11 percent respectively and 62, 59, 27 and 27 percent respectively in Bam station. The results of the root mean square error showed that among the six studied models, the support vector regression model and genetic planning for Bam station and the support vector regression model for Kerman station have higher accuracy. The results also showed that estimating the mean temperature of Bam station has more efficiency and accuracy than Kerman station. In this study, although the analysis of the output results of the models did not lead to the same results, but the results of the models indicate an increase in temperature variables in the two stations of Kerman and Bam in future periods.