fa بازسازی سری‌های زمانی دمای حداکثر و حداقل روزانه با استفاده از روش نزدیک‌ترین همسایه و شبکه عصبی مصنوعی (مطالعه موردی غرب استان تهران) تخصصي Special پژوهشي Research برای تحلیل تغییرپذیری زمانی، روند وقایع حد، تخمین ریسک و احتمال وقوع سری‌های زمانی طولانی مدت مورد نیاز است. یکی از مهم‌ترین سری‌های زمانی در علوم جغرافیایی و اقلیم شناسی مربوط به دمای حداکثر و حداقل روزانه است. این دو پارامتر دمایی در برآورد تبخیر و تعرق روزانه، تعیین بیلان آبی و مطالعات تغییر اقلیم کاربرد دارد تعداد سال‌های آماری متفاوت، نواقص آماری و خطای اندازه‌گیری باعث ایجاد سری‌های زمانی با پایه زمانی غیر مشترک می‌گردد. به این منظور بازسازی داده‌های آماری امری لازم و ضروری است. در این تحقیق بازسازی داده‌های دمای حداکثر و حداقل روزانه از روش‌های نزدیک‌ترین همسایه و شبکه عصبی مصنوعی برای 5 ایستگاه هواشناسی واقع در غرب استان تهران مورد بررسی قرار گرفت. در روش نزدیک‌ترین همسایه از رابطه بین دمای حداکثر و حداقل روزانه با نزدیک‌ترین ایستگاه استفاده شد و در روش شبکه عصبی مصنوعی با استفاده از شبکه ایستگاه‌های هواشناسی دمای حداکثر و حداقل روزانه بازسازی گردید. شبکه عصبی مورد استفاده در این تحقیق یک شبکه عصبی پیش خور با یک لایه پنهان و الگوی آموزشی پس انتشار خطا می‌باشد. نتایج نشان می‌دهد که برای کلیه ایستگاه‌های مورد مطالعه روش شبکه عصبی متوسط خطای مطلق کمتری را نسبت به روش نزدیک‌ترین همسایه دارد. در روش نزدیک‌ترین همسایه با افزایش فاصله ایستگاه‌ها خطای برآورد افزایش می‌یابد. همچنین دقت هر دو روش در تخمین دمای حداکثر روزانه بیشتر از دمای حداقل روزانه می‌باشد Long time series are needed for analysis of time variation, trend of extreme events, risk estimation and possible events. One of the most important time series in geographical and climatic science is daily maximum and minimum temperature. These two parameters use daily evapotranspiration estimation, determination of water balance and climate change study. Maximum and minimum temperature are measured in meteorological stations. However, different statistical years, deficiency in statistical data and error of measurement cause variation in time series. Therefore, reconstruction of time series is very important. This research evaluates reconstruction of daily extreme temperatures to nearest neighbor and artificial neural network methods for five stations in the west of Tehran Province. In the nearest neighborhood method correlation between respective maximum or minimum temperature is used. Whilst in the artificial neural network using meteorological stations network the minimum and maximum daily temperature are reconstituted. Neural network used in this research is a multilayer feed forward network with back propagation algorithm and hidden layer. Results show that artificial neural network method had least mean absolute error for all stations compared to the nearest neighbor method. With increasing distance of the station the estimated error increases in the nearest neighbor method. Accuracy of the two methods in estimating daily maximum is more than the daily minimum temperature سری‌های زمانی, بازسازی داده, دمای حداکثر و حداقل روزانه, شبکه عصبی مصنوعی, روش نزدیک‌ترین همسایه, غرب استان تهران Time series, Data reconstruction, Daily maximum and minimum temperature, artificial neural network method, nearest neighbor method 197 214 http://geographical-space.iau-ahar.ac.ir/browse.php?a_code=A-10-368-3&slc_lang=fa&sid=1 علی محمد خورشیددوست 10031947532846003038 10031947532846003038 Yes مجتبی نساجی زواره 10031947532846003039 10031947532846003039 No باقر قرمز چشمه 10031947532846003040 10031947532846003040 No