ارزیابی برخی توابع انتقال در شبکه‌های عصبی مصنوعی جهت پیش‌بینی کوتاه‌مدت دمای کمینه (مطالعه موردی: ایستگاه همدیدی سنندج)

پیش‌بینی کوتاه‌مدت دمای کمینه به منظور تعدیل اثرات سوء ناشی از سرمازدگی و یخبندان در بخش کشاورزی از اهمیت زیادی برخوردار است. در این پژوهش ابتدا فراوانی وقوع یخبندان‌های زودرس پاییزه و دیررس بهاره در ایستگاه همدیدی سنندج طی دوره آماری موجود استخراج شد. سپس با استفاده از داده‌های سینوپ شش متغیرِ دمای خشک، دمای تر، رطوبت نسبی، سرعت باد، جهت باد و پوشش ابر به عنوان ورودی‌های یک مدل شبکه عصبی از نوع پرسپترون چند لایه مبتنی بر الگوریتم یادگیری لونبرگ - مارکوآرت، میزان دمای کمینه در 3، 6، 9 و12 ساعت آتی پیش‌بینی گردید. به این منظور از توابع توابع انتقال موجود در نرم‌افزار matlab شامل hardlims، logsig، poslin، radbas، satlins، satlin، softmax، tansig و tribas استفاده شد. جهت مقایسه و ارزیابی مدل‌ها، از سنجه‌های آماری mad، msd، rmsd و r استفاده شد. نتایج نشان داد، توابع logsig، tansig، poslin و satlin در ماه آوریل به ترتیب با مقدار خطای 1.17، 1.61، 1.88 و 2.00 (c◦) و ضریب همبستگی بیش از 0.8 و توابع radbas، poslin، poslin و tribas در ماه اکتبر با مقدار خطای 1.60، 1.96، 1.99 و 1.36 درجه سلسیوس و ضریب همبستگی بالای 0.7 جهت پیش‌بینی دمای کمینه در ساعات 21:30، 00:30، 03:30 و 06:30 محلی، بیش‌ترین دقت و کارایی را دارند. همچنین در بین توابع مورد بررسی، تابع poslin با بیش‌ترین فراوانی دارای بهترین عملکرد در پیش‌بینی یخبندان‌های شبانه در سنندج می‌باشد. نتایج حاصل بیان‌گر کارآیی و دقت بالای شبکه عصبی مصنوعی در پیش‌بینی کوتاه‌مدت دمای کمینه در منطقه مورد مطالعه می‌باشد.