فهرست نشریات علمی دسترسی آزاد ایران

پدیده­های هواشناسی حاصل سامانه­های پیچیده­ای هستند که بخش­های مختلفی در تماس با هم و محیط اطراف دارند. هدف این تحقیق نمایش کارایی شبکه‌های عصبی در پیش­بینی متغیرهای هواشناسی است. برای این منظور پیش­بینی دید افقی که کاربرد فراوان در هواشناسی و هوانوردی به‌ویژه در فرودگاه­ها دارد برای بررسی انتخاب شده­است. داده­های این بررسی، تلفیقی از گزارش­های متار و سینوپ ایستگاه بندرعباس در بازه 1 تا 30 مارس 2014 است. برای پیاده­سازی شبکه، ابتدا داده‌های آموزش، آزمون و اعتبارسنجی شبکه به­صورت تصادفی با نسبت­های ۷0، ۱۵ و ۱۵ درصد استخراج و ذخیره شد تا برای مقایسه حالت­های مختلف اجرای شبکه از داده یکسان استفاده شود. ترکیب­های مختلف هفت متغیر دما، دمای نقطه­شبنم، هوای ­حاضر، فشار، میزان پوشش ابر آسمان، سمت و سرعت باد، به‌عنوان ورودی به شبکه­ پیش­خور داده­شد که خروجی آن دیدافقی است. در مجموع همبستگی و جذر میانگین مربعات خطا برای ۲۸ حالت بررسی شده­است. نتایج نشان می­دهند که ترکیب­های حاوی پدیده هوای ­حاضر بیشترین همبستگی را با دیدافقی دارند و کمیت­های دمای نقطه­شبنم، فشار و میزان پوشش ابر به تنهایی تاثیری روی آن ندارند. بعد از پردازش­های اولیه، از شبکه پیش­خور با الگوریتم یادگیری پس­انتشار ارتجاعی با هشت نرون و تابع سیگموئید در لایه پنهان، تابع خطی در لایه خروجی برای پیش­بینی استفاده شد. این شبکه با دو سری داده­های استاندارد شده بین بازه­های صفر و یک، 0/1 و 0/9، نمو­های افزایش و کاهش متفاوت برای بایاس­ها و وزن‌ها، و همچنین نرخ­های یادگیری متفاوت اجرا شده­ است. مقدارهای مناسب برای این کمیت­ها به­ترتیب 1/2، 0/35 و 0/0001 هستند و استانداردسازی داده­ها در حد فاصل بین صفر و یک مناسب نیست. مقادیر ضریب کسر مطلق از واریانس برای داده‌های آموزش، آزمون و اعتبارسنجی به‌ترتیب 0/9972،  0/9856 و 0/9839 به­دست آمد که نشان می­دهد نزدیک به 98 درصد مقدار دیدافقی تحت تاثیر این متغیرهای مستقل بوده و مابقی تغییرات آن وابسته به سایر عوامل است.