اخبار و اعلانات

 آمار

تعداد نشریات44
تعداد شماره‌ها1,914
تعداد مقالات15,552
تعداد مشاهده مقاله46,174,237
تعداد دریافت فایل اصل مقاله18,809,366
سوره, احسان, باتمانی, بهاره, جلالی, مسعود. (1405). مدل‌سازی و پیش‌بینی میان‌مدت دمای هوا با استفاده از شبکه حافظه کوتاه‌مدت بلند (LSTM): مطالعه موردی ایستگاه سینوپتیک ارومیه. , (), -. doi: 10.22108/gep.2026.149976.1812
احسان سوره; بهاره باتمانی; مسعود جلالی. "مدل‌سازی و پیش‌بینی میان‌مدت دمای هوا با استفاده از شبکه حافظه کوتاه‌مدت بلند (LSTM): مطالعه موردی ایستگاه سینوپتیک ارومیه". , , , 1405, -. doi: 10.22108/gep.2026.149976.1812
سوره, احسان, باتمانی, بهاره, جلالی, مسعود. (1405). 'مدل‌سازی و پیش‌بینی میان‌مدت دمای هوا با استفاده از شبکه حافظه کوتاه‌مدت بلند (LSTM): مطالعه موردی ایستگاه سینوپتیک ارومیه', , (), pp. -. doi: 10.22108/gep.2026.149976.1812
سوره, احسان, باتمانی, بهاره, جلالی, مسعود. مدل‌سازی و پیش‌بینی میان‌مدت دمای هوا با استفاده از شبکه حافظه کوتاه‌مدت بلند (LSTM): مطالعه موردی ایستگاه سینوپتیک ارومیه. , 1405; (): -. doi: 10.22108/gep.2026.149976.1812

مدل‌سازی و پیش‌بینی میان‌مدت دمای هوا با استفاده از شبکه حافظه کوتاه‌مدت بلند (LSTM): مطالعه موردی ایستگاه سینوپتیک ارومیه

جغرافیا و برنامه ریزی محیطی
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 06 آبان 1405
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22108/gep.2026.149976.1812
نویسندگان
احسان سوره1؛ بهاره باتمانی2؛ مسعود جلالی* 3
1دانشجوی دکتری آب‌وهواشناسی، دانشکده برنامه‌ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران
2دانشجوی دکتری آب و هواشناسی، دانشکده علوم انسانی، دانشگاه زنجان، زنجان، ایران
3گروه جغرافیا، دانشکده علوم انسانی، دانشگاه زنجان، زنجان
چکیده
پیش‌بینی دمای هوا در مناطق نیمه‌خشک برای مدیریت منابع آب، کشاورزی و برنامه‌ریزی محیطی اهمیت دارد. این پژوهش عملکرد مدل LSTM چندمتغیره را در پیش‌بینی دمای میانگین ماهانه ایستگاه سینوپتیک ارومیه ارزیابی و با مدل‌های آماری و یادگیری ماشین مقایسه کرد. داده‌های روزانه ۵۵ متغیر هواشناسی از ژانویه ۱۹۵۱ تا اوت ۲۰۲۵ پس از کنترل کیفیت به مقیاس ماهانه تبدیل شدند. ویژگی‌های هواشناسی و تقویمی برای ساخت توالی‌های ۱۲۰ ماهه ورودی و پیش‌بینی هم‌زمان ۱۲ ماه آینده به‌کار رفتند. تقسیم داده‌ها به‌صورت زمانی انجام شد و ابرپارامترها با داده‌های اعتبارسنجی تنظیم شدند. در مجموعه آزمون مستقل، LSTM به ریشه میانگین مربعات خطا (RMSE) برابر ۱٫۶۸۳ درجه سلسیوس و ضریب تعیین ۰٫۹۶۳ رسید. در مقایسه مدل‌ها بر پایه ۱۰ مبدأ آزمون مشترک، RMSE مدل‌های LSTM و SARIMA به‌ترتیب ۱٫۶۲۰ و ۱٫۶۴۲ درجه سلسیوس بود، اما میانگین قدر مطلق خطای SARIMA کمتر بود؛ بنابراین هیچ‌یک در همه معیارها برتر نبود. آزمون پس‌نگر ۶۴ ماهه برای LSTM، RMSE حدود ۲٫۰۶ تا ۲٫۲۱ درجه سلسیوس را نشان داد. پیش‌بینی‌های ۲۰۲۶ تا ۲۰۳۰ بر مشاهدات تاریخی همین ایستگاه استوارند و سناریوی تغییر اقلیم محسوب نمی‌شوند. نتایج، توان پیش‌بینی موردی LSTM را در ایستگاه ارومیه نشان می‌دهد؛ تعمیم مکانی آن به ارزیابی چندایستگاهی نیاز دارد.
کلیدواژه‌ها
ارومیه؛ پیش‌بینی دما؛ تغییر اقلیم؛ یادگیری عمیق؛ حافظه کوتاه‌مدت بلند
آمار
تعداد مشاهده مقاله: 8


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب