| رویکردی نوین در بررسی تغییرات اقلیمی با مدلسازی عمیق دینامیک ابر و دما با استفاده از شبکه عصبی LSTM در جهت توسعه سواد اقلیمی درنظام آموزش جغرافیا |
| کد مقاله : 1133-GHCONF6 |
| نویسندگان |
|
ریحانه برومند *1، محمد محمدی2، میترا احمدی3 1استادیار گروه آموزشی جغرافیا برنامه ریزی شهری دانشگاه بزرگمهر قائنات 2دانشجوی کارشناسی گروه فنی و مهندسی بزرگمهر 3دانشجوی کارشناسی ارشد دانشگاه باهنر کرمان |
| چکیده مقاله |
| پیشبینی دقیق متغیرهای اقلیمی، یکی از چالشهای اساسی اقلیمشناسی شهری محسوب میشود. روشهای سنتی مدلسازی به دلیل ناتوانی در ثبت وابستگیهای زمانی طولانی و مدلسازی تأثیر دوگانه و پیچیدۀ پوشش ابر بر دمای سطح، دچار محدودیت هستند. هدف این پژوهش، غلبه بر این محدودیتها از طریق ارائه یک مدل یادگیری عمیق برای پیشبینی دمای سطح هوای شهر مشهد است. پژوهش حاضر در حوزه اقلیمشناسی، به طراحی و پیادهسازی یک مدل حافظه طولانی-کوتاهمدت پیشبینی و تحلیل روابط پیچیده میان میزان کدری ابرها و دمای سطح پرداخته است. ورودیهای مدل شامل متغیرهای تأثیرگذاری همچون فشار سطح، رطوبت نسبی، زاویه تابش و کدری ابر بوده است. نتایج حاصل از ارزیابی مدل، کارایی خیرهکنندهای را در شبیهسازی رفتار جوی نشان میدهد. مدل پیشنهادی با دستیابی به ضریب تعیین برابر با ۰.۹۹۴۸، توانست با دقتی نزدیک به یقین، نوسانات دمایی را تبیین نماید. همچنین، خطای میانگین مطلق برابر با ۰.۶۶ درجه سانتیگراد و ریشه میانگین مربعات خطا معادل ۰.۸۳، حاکی از قابلیت اطمینان بالای این سامانه در کاربردهای عملی است. این پژوهش با ارائه یک ابزار تحلیلی بسیار دقیق، خلأ موجود در مدلسازی محلی اقلیمی در شهرهای ایران را پر میکند و نتایج آن میتواند بهطور مستقیم در سامانههای هشدار سریع، مدیریت بهینهسازی انرژی و توسعه سواد اقلیمی در نظام آموزش جغرافیا مورد استفاده قرار گیرد. |
| کلیدواژه ها |
| شبکه عصبی LSTM، تغییرات اقلیمی، مدل سازی عمیق دینامیک ، ابر، دما ،آموزش جغرافیا |
| وضعیت: پذیرفته شده برای ارائه شفاهی |
