ارزیابی مدل‌های هیبریدی فراکاوشی در تخمین دمای متوسط هوا سواحل دریای خزر

امروزه یکی از پارامترهای بیانگر وضعیت زمین که در ایستگاه های سینوپتیکاندازه گیری می شود دمای هوا می باشد.. بنابراین برآورد و تخمین دقیق دمای متوسط روزانه در هر منطقه یکی از پیش‌نیازهای مهم برای برنامه‌ریزی کشاورزی و نیز مدیریت منابع آب می‌باشد که به روش‌های مختلفی همچون مدل‌های تجربی، نیمه تجربی و هوشمند قابل انجام است. در این پژوهش از مدل هیریدی شبکه عصبی مصنوعی با الگوریتم های بهینه سازی خفاش و گرگ خاکستری به منظور برآورد متوسط دمای روزانه هوا در سواحل دریای خزر مورد بررسی و ارزیابی قرار گرفت. جهت مدل‌سازی از داده‌های دمانگار ایستگاه هواشناسی بابلسر واقع در استان مازندران استفاده شد. پارامتر رطوبت نسبی، دمای بیشینه، دمای کمینه، سرعت باد و تبخیر در مقیاس زمانی روزانه در طی سال آبی (1402-1392) بعنوان ورودی شبکه و دمای متوسط روزانه هوا به عنوان خروجی شبکه انتخاب گردید. معیارهای ضریب همبستگی، ریشه میانگین مربعات خطا و ضریب نش ساتکلیف برای ارزیابی و مقایسه عملکرد مدل‌ها مورداستفاده قرار گرفت. مقایسه نتایج نشان داد مدل شبکه عصبی مصنوعی – گرگ خاکستری عملکرد بهتری نسبت به مدل شبکه عصبی مصنوعی- خفاش در مدل‌سازی دارد، بگونه ای که مدل شبکه عصبی مصنوعی-گرگ خاکستری با بیشترین ضریب همبستگی (0.975)، کمترین ریشه میانگین مربعات خطا (0.002) و نیز بیشترین معیار نش ساتکلیف (0.980) در مرحله صحت سنجی در اولویت قرار گرفت. درمجموع نتایج نشان داد مدل شبکه عصبی مصنوعی-گرگ خاکستری در تخمین بیشتر مقادیر دقت مطلوبی دارد.

evaluation of meta-heuristic hybrid models in estimating the average air temperature of the caspian sea coast

air temperature measured in standard meteorological stations is one of the main descriptors of the state of the earth's environment. therefore، accurate estimation of average daily temperature in each region is one of the important prerequisites for agricultural planning and water resources management، which can be done in different ways such as experimental، semi-experimental and intelligent models. in this research، the hiridian model of artificial neural network with bat and gray wolf optimization algorithms was investigated and evaluated in order to estimate the average daily air temperature on the shores of the caspian sea. for modeling، weather station data from babolsar meteorological station located in mazandaran province were used. relative humidity parameter، maximum temperature، minimum temperature، wind speed and evaporation in daily time scale during the water year (1392-1402) were selected as network input and daily average air temperature as network output. the criteria of correlation coefficient، root mean square error and nash sutcliffe coefficient were used to evaluate and compare the performance of the models. the comparison of the results showed that the gray wolf-artificial neural network model has a better performance than the bat-artificial neural network model in modeling، such that the gray wolf-artificial neural network model with the highest correlation coefficient (0.975)، the lowest root mean square error (0.002) and also the highest nash sutcliffe criterion (0.980) was prioritized in the verification stage. in total، the results showed that the gray wolf-artificial neural network model has high accuracy in estimating most of the values.