مقایسه روش های یادگیری ماشین در انتخاب پیش بینی کننده های مدل های گردش عمومی جو-اقیانوسی برای ریزمقیاس نمائی دمای بیشینه (مطالعه موردی: بیرجند)
عنوان مقاله: مقایسه روش های یادگیری ماشین در انتخاب پیش بینی کننده های مدل های گردش عمومی جو-اقیانوسی برای ریزمقیاس نمائی دمای بیشینه (مطالعه موردی: بیرجند)
شناسه ملی مقاله: JR_JSW-37-1_009
منتشر شده در در سال 1402
شناسه ملی مقاله: JR_JSW-37-1_009
منتشر شده در در سال 1402
مشخصات نویسندگان مقاله:
مهدی امیرآبادی زاده - دانشگاه بیرجند
مهدیه فروزانمهر - دانشجوی دکتری منابع آب گروه مهندسی آب دانشگاه بیرجند
مصطفی یعقوب زاده - گروه علوم ومهندسی آب دانشگاه بیرجند
سعیده حسین ابادی - دانشجوی دکتری منابع اب گروه مهندسی آب دانشگاه بیرجند
خلاصه مقاله:
مهدی امیرآبادی زاده - دانشگاه بیرجند
مهدیه فروزانمهر - دانشجوی دکتری منابع آب گروه مهندسی آب دانشگاه بیرجند
مصطفی یعقوب زاده - گروه علوم ومهندسی آب دانشگاه بیرجند
سعیده حسین ابادی - دانشجوی دکتری منابع اب گروه مهندسی آب دانشگاه بیرجند
افزایش غلظت گازهای گلخانهای در اتمسفر باعث تغییرات زیادی در مولفههای اقلیمی کره زمین شده است که این تغییرات در پارامترهای اقلیمی به صورت افزایشی یا کاهشی است. امروزه تغییر اقلیم یکی از چالش های بشر در بهره برداری و مدیریت منابع آب است، همچنین شرایط کنونی آب و هوای جهانی نشان دهنده افزایش خطرات ناشی از پدیده خشکی در بسیاری از مناطق جهان در آینده است. مدل های گردش کلی جوی یکی از مهم ترین و پرکاربردترین روش ها در مطالعات تغییرات اقلیمی در مقیاس منطقهای می باشد. یکی از اولویتهای اصلی ریزمقیاس نمایی آماری انتخاب پیش بینی کنندهها به عنوان ورودی به مدل ریزمقیاس نمایی در پژوهش میباشد. برای انتخاب پیش بینی کنندههای مهم از بین ۲۶ متغیر جو بالا، از چهار الگوریتم یادگیری ماشین شامل لاسو، ستیغی، GBM، SPSA در ریزمقیاس نمایی آماری دمای بیشینه در ایستگاه بیرجند استفاده گردید و عملکرد این روش ها با سه شاخص نش-ساتکلیف نسبی، کلینگ-گوپتا و بازده حجمی در بخش صحت سنجی مورد بررسی قرار گرفت. نتایج نشان داد که بیشترین میزان اهمیت برای مولفه سرعت نصف النهاری نزدیک سطح و کمترین مقدار آن در مولفه سرعت مداری در ارتفاع ۵۰۰ هکتو پاسکال میباشد که مقادیر آن به ترتیب ۲/۷۳% و ۱۵% تعیین شد. همچنین نتایج شاخصهای ارزیابی عملکرد نش- ساتکلیف نسبی و کلینگ-گوپتا، نشان دادند که الگوریتم SPSA دارای عملکرد بهتری از سایر الگوریتمها درانتخاب پیش بینی کنندهها و به تبع آن ریزمقیاس نمائی دمای بیشینه میباشد. مقایسه میانگین و واریانس خروجی ریزمقیاس شده توسط الگوریتمهای مورد استفاده و دادههای مشاهداتی در بخش صحت سنجی نشان داد که الگوریتمSPSA نسبت به سایر الگوریتمها در باز تولید میانگین و واریانس دمای بیشینه مشاهداتی در ایستگاه سینوپتیک بیرجند دارای توانایی بیشتری میباشد.
کلمات کلیدی: الگوریتم یادگیری ماشین, پیش بینی کننده, شهرستان بیرجند, مدل گردش عمومی جو- اقیانوس
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1645454/