نوع مقاله : مقاله پژوهشی

نویسندگان

• کیومرث روشنگر ¹
• صادق عبدل زاد ²

¹ استاد گروه مهندسی آب، دانشکده عمران، دانشگاه تبریز، تبریز،ایران

² دانشجوی دکتری آب و سازه های هیدرولیکی، دانشکده عمران، دانشگاه تبریز، تبریز،ایران

چکیده

پیش‌بینی تغییرات دما برای اطلاع از میزان تغییرات آن در آینده و در نظر گرفتن تمهیدات لازم برای تعدیل اثرات سوء ناشی از تغییرات آب و هوایی بر منابع آبی و کشاورزی و همچنین اثرات محیطی، اقتصادی و اجتماعی از اهمیت فزاینده‌ای برخوردار است. در این مقاله حداکثر دما با استفاده از روش نوین حافظه طولانی–کوتاه‌ مدت (LSTM) بر پایه روش‌‌های پیش پردازنده تبدیل موجک گسسته (DWT) و تجزیه مد تجربی کامل (CEEMD) در دو اقلیم متفاوت (مرطوب و نیمه خشک ) مدل‌سازی شد. برای این منظور از داده‌‌‌‌‌های مربوط به دوره 2001 تا 2020 ایستگاه‌های سینوپیک واقع درسیاه‌ بیشه شهرستان آمل و فرودگاه شهرستان ارومیه استفاده شد. نتایج حاصل از تحلیل مدل‌ها قابلیت و کارایی بالای روش به کار رفته در تخمین حداکثر دما را به خوبی نشان داد. از طرفی دیگر روش‌های پیش پردازنده باعث بهبود نتایج شدند. در بررسی‌های صورت گرفته مشاهده گردید که نتایج حاصل از تجزیه بر اساس تبدیل موجک منجر به نتایج بهتری می‌شود، به‌طوری که معیار ارزیابی DC برای مدل برتر در منطقۀ نیمه خشک شهرستان ارومیه از 965/0 به 993/0 و درمنطقۀ مرطوب شهرستان آمل از 926/0 به 970/0 افزایش یافت. بهترین حالت ارزیابی برای داده‌های آزمون با استفاده از تبدیل‌ موجک برای منطقۀ نیمه‌خشک با معیارهای ارزیابی997/0=R و993/0=DC و 896/0=RMSE بدست ‌آمد. با توجه به نتایج آنالیز حساسیت مشخص شد پارامتر دمای یک روز قبل، تأثیرگذارترین پارامتر در تخمین دمای روزانه است.

کلیدواژه‌ها

• تبدیل موجک
• تجزیه مد تجربی
• حداکثردما
• شبکه‌های عصبی مصنوعی
• یادگیری عمیق

عنوان مقاله [English]

Temperature modeling in semi-arid and humid climates using Long short-term memory (LSTM) and CEEMD, DWT pre-processor methods

نویسندگان [English]

• Kiyoumars Roushangar ¹
• sadegh Abdelzad ²

¹ Professor, Department of water Engineering, Faculty of Civil Engineering, University of Tabriz, Tabriz, Iran

² PhD Candidate of Water and Hydraulic Structures, Faculty of Civil Engineering, University of Tabriz ,Tabriz, Iran

چکیده [English]

Predicting temperature changes to inform the extent of its changes in the future and considering the necessary measures to mitigate the adverse effects of climate change on water and agricultural resources, as well as environmental, economic, and social effects, is of increasing importance. In this paper, the maximum temperature was modeled using long short-term memory (LSTM) networks based on discrete wavelength preprocessing methods (DWT) and complete empirical mode decomposition (CEEMD) in two different climates (wet and semi-arid). For this purpose, data from the period 2001-2020 of synoptic stations located in the grove of Amol city and Urmia city airport were used. The results of the analysis of the models showed the high capability and efficiency of the method used in estimating the maximum temperature. On the other hand, preprocessing methods improved the results. Furthermore, it was observed that the results of decomposition based on wavelength conversion led to better results such that the DC value of the superior model in the semi-arid region of Urmia city increased from 0.965 to 0.993 and in the wet area of Amol from 0.926 to 0.970. The best-performing method for test data was obtained using wavelength conversion for the semi-arid region with R=0.997 and DC=0.993 and RMSE=0.896.According to the sensitivity analysis results, the temperature parameter of the previous day was the most influential in estimating daily temperature.

کلیدواژه‌ها [English]

• Wavelet transform
• Empirical mode decomposition
• Maximum temperature
• Artificial neural networks
• Deep learning