بازسازی سری های زمانی دمای حداکثر و حداقل روزانه با استفاده از روش نزدیک ترین همسایه و شبکه عصبی مصنوعی (مطالعه موردی غرب استان تهران)

برای تحلیل تغییرپذیری زمانی، روند وقایع حد، تخمین ریسک و احتمال وقوع سری‌های زمانی طولانی مدت مورد نیاز است. یکی از مهم‌ترین سری‌های زمانی در علوم جغرافیایی و اقلیم شناسی مربوط به دمای حداکثر و حداقل روزانه است. این دو پارامتر دمایی در برآورد تبخیر و تعرق روزانه، تعیین بیلان آبی و مطالعات تغییر اقلیم کاربرد دارد تعداد سال‌های آماری متفاوت، نواقص آماری و خطای اندازه‌گیری باعث ایجاد سری‌های زمانی با پایه زمانی غیر مشترک می‌گردد. به این منظور بازسازی داده‌های آماری امری لازم و ضروری است. در این تحقیق بازسازی داده‌های دمای حداکثر و حداقل روزانه از روش‌های نزدیک‌ترین همسایه و شبکه عصبی مصنوعی برای 5 ایستگاه هواشناسی واقع در غرب استان تهران مورد بررسی قرار گرفت. در روش نزدیک‌ترین همسایه از رابطه بین دمای حداکثر و حداقل روزانه با نزدیک‌ترین ایستگاه استفاده شد و در روش شبکه عصبی مصنوعی با استفاده از شبکه ایستگاه‌های هواشناسی دمای حداکثر و حداقل روزانه بازسازی گردید. شبکه عصبی مورد استفاده در این تحقیق یک شبکه عصبی پیش خور با یک لایه پنهان و الگوی آموزشی پس انتشار خطا می‌باشد. نتایج نشان می‌دهد که برای کلیه ایستگاه‌های مورد مطالعه روش شبکه عصبی متوسط خطای مطلق کمتری را نسبت به روش نزدیک‌ترین همسایه دارد. در روش نزدیک‌ترین همسایه با افزایش فاصله ایستگاه‌ها خطای برآورد افزایش می‌یابد. همچنین دقت هر دو روش در تخمین دمای حداکثر روزانه بیشتر از دمای حداقل روزانه می‌باشد.