پیش بینی دمای بیشینه هوا با استفاده از تلفیق روش جستجوی عمیق در یادگیری ماشین (aelm)(مطالعه موردی: ایستگاه هواشناسی سینوپتیک بجنورد)

روند افزایش دمایی کره زمین به علت اثرات مخربی که دارد، همواره توجه بسیاری از دانشمندان را به خود جلب نموده است و در نتیجه روش های متنوعی برای پیش بینی وضعیت دمایی توسعه یافته است. شبکه عصبی مصنوعی، یک ابزار قدرتمند برای مدل سازی پویا از سیستم های فیزیکی غیر خطی و برای پیش بینی پارامترهای خاص سیستم های پیچیده به شمار می رود. مجموع داده‌ های مورد استفاده در این مقاله مربوط به ایستگاه هواشناسی فرودگاه بین المللی بجنورد می باشد که آموزش و آزمون مدل شبکه عصبی در این پژوهش طی سالهای 1356 تا 1396 صورت پذیرفته است. در این تحقیق روش یادگیری عمیق(aelm) مورد ارزیابی قرار گرفته که با مقایسه سنجه های آماری مختلف از قبیل rmse و mse آموزش و آزمون روشهای مذکور به انتخاب بازه زمانی مذکور جهت آموزش مدل برای پیش بینی دمای بیشینه در ایستگاه هواشناسی بجنورد پرداختیم. نتایج این مقاله نشان داد که بین چند مدل پیشنهادی rmse و mse مدل شبکه عصبی یادگیری عمیق دارای کمترین درصد خطای برآورد ممکن در داده های آزمون و آموزش می باشد که به طبع در کاهش نویز در پیش بینی دمای کمینه طی روزهای آینده اثرگذار خواهد بود.