پیش بینی دقیق دمای هوا یکی از مسائل کلیدی در مطالعات اقلیمی، مدیریت شهری، برنامه ریزی انرژی و کشاورزی هوشمند محسوب می شود. در سال های اخیر، مدل های یادگیری عمیق به ویژه شبکه های عصبی بازگشتی به عنوان ابزارهایی کارآمد برای تحلیل و پیش بینی داده های سری زمانی اقلیمی مورد توجه قرار گرفته اند. هدف پژوهش حاضر، ارزیابی و مقایسه عملکرد معماری های مختلف شبکه های عصبی بازگشتی در پیش بینی دمای روزانه هوا با استفاده از داده های بلندمدت اقلیمی شهر شیراز است.در این پژوهش از داده های روزانه هواشناسی شامل دمای متوسط، حداکثر و حداقل دما، رطوبت نسبی و بارش در بازه زمانی ۱۳۵۰ تا ۱۴۰۴ استفاده شد. پس از انجام پیش پردازش و نرمال سازی، چهار معماری یادگیری عمیق شامل SimpleRNN، LSTM، GRU و BiLSTM پیاده سازی و با استفاده از روش پنجره زمانی لغزان آموزش داده شدند. به منظور ارزیابی عملکرد مدل ها، داده ها به سه بخش آموزش، اعتبارسنجی و آزمون تقسیم شده و از معیارهای MAE، RMSE و ضریب تعیین استفاده گردید. همچنین به منظور بررسی پایداری نتایج، مدل ها در چند اجرای مستقل آموزش داده شده و عملکرد آن ها با یک مدل مبنا مقایسه شد. نتایج نشان داد که تمامی مدل های بازگشتی عملکرد مناسبی در پیش بینی دمای روزانه دارند، با این حال مدل GRU با ثبت کمترین مقدار RMSE برابر با … °C و MAE برابر با … °C بهترین عملکرد را ارائه داد و کمترین میزان خطا را ثبت کرد (MAE≈… ، RMSE≈… ، R²≈…). تبدیل مقادیر خطا به مقیاس واقعی نشان داد که خطای پیش بینی دمای روزانه در حدود ۲ تا ۳ درجه سانتی گراد است که برای کاربردهای اقلیمی و مدیریتی قابل قبول محسوب می شود. همچنین نتایج نشان داد که معماری های دروازه دار نسبت به RNN ساده دقت بالاتری داشته و استفاده از داده های چندمتغیره اقلیمی موجب بهبود عملکرد مدل ها شده است. نوآوری پژوهش حاضر در ارائه یک مقایسه جامع میان چهار معماری اصلی شبکه های عصبی بازگشتی بر پایه یک مجموعه داده روزانه بلندمدت بیش از پنج دهه برای شهر شیراز و بررسی پایداری نتایج در اجرای چندباره است. یافته های این پژوهش می تواند در توسعه سامانه های هوشمند پیش بینی دما و مدیریت انرژی و منابع شهری مورد استفاده قرار گیرد. در این پژوهش چهار معماری Simple RNN، LSTM، GRU و BiLSTM مقایسه شدند و GRU بهترین عملکرد را نشان داد.

پیش بینی دمای هوا یادگیری عمیق شبکه های عصبی بازگشتی GRU LSTM داده های اقلیمی شهر شیراز