خلاصة:
تغییرات اقلیمی آشکار پیش رو، تبدیل به دغدغه ای جدی برای جامعه بشری شده است و در این بین گرمایش جهانی یکی از گسترده ترین و مهم ترین مخاطرات زیست محیطی است بنابراین پیشبینی مناسب دما، اهمیت قابل توجهی در راستای سازگاری با تغییر اقلیم و کاهش آسیب پذیری ها در مقیاس های محلی دارد . برای این منظور در این تحقیق پیشبینی دما با یکی از روش های شبکه عصبی را پیشنهاد دادیم. پس از جمع آوری داده های ایستگاه اقدسیه در مرحله پیش پردازش پس از پاک سازی و نرمال سازی داده ها، عمل انتخاب ویژگی با استفاده از الگوریتم تحلیل مولفه های اصلی انجام می شود، سپس در مرحله پس پردازش شبکه عصبی روش گروهی مدل سازی داده با استفاده از الگوریتم حشره آب سوار بهبود داده می شود تا پیشبینی دما به صورت بهینه انجام شود. نوآوری این تحقیق استفاده از الگوریتم حشره آب سوار در بهبود شبکه عصبی روش گروهی مدل سازی داده است. پارامترهایی در روش گروهی مدل سازی داده ها به عنوان متغیرهای تصمیم گیری تعریف می شوند در این تحقیق مقادیر بهینه این پارامترها، توسط الگوریتم حشره آب سوار تعیین شده تا پیشبینی دما با دقت بالایی انجام شود و در جهت مقایسه روش پیشنهادی، از شبکه عصبی پرسپترون چندلایه آموزش یافته با الگوریتم حشره آب سوار استفاده شده است. نتایج حاکی از میانگین مربعات خطای 0.0469 در روش پیشنهادی دارد.
Proper temperature forecasting is of significant importance in adapting to climate change at local scales. For this purpose, in this research, feature selection is done using principal component analysis algorithm, then in the post-processing stage of the neural network, the group method of data modeling is improved using the water strider algorithm, so that the temperature prediction can be done optimally. In order to compare, the results show a decrease in mean square error of 0.0469 in the proposed method compared to the feature selection method using mlp.