مهدی ولیخان انارکی - دانش آموخته کارشناسی ارشد، گروه مهندسی و مدیریت منابع آب، دانشکده مهندسی عمران، دانشگاه سمنان
سید فرهاد موسوی - گروه مهندسی آب و سازه های هیدرولیکی، دانشکده مهندسی عمران، دانشگاه سمنان
سعید فرزین - استادیار گروه مهندسی آب و سازه های هیدرولیکی، دانشکده مهدسی عمران، دانشگاه سمنان
حجت کرمی - استادیار گروه مهندسی آب و سازه های هیدرولیکی، دانشکده مهدسی عمران، دانشگاه سمنان

در پژوهش حاضر، مدلی هیبریدی بر مبنای روش­های غیرخطی شامل رگرسیون تطبیقی چندگانه اسپلاین (MARS)، شبکه عصبی مصنوعی (ANN) و K نزدیکترین همسایه (KNN) به منظور ریز­مقیاس­نمایی و پیش­بینی بارش ایستگاه های شهرکرد، بارز و یاسوج تحت شرایط تغییر اقلیم معرفی شده است. مدل هیبریدی ارائه شده، مانند مدل ریز­مقیاس نمایی SDSM، از دو گام طبقه­بندی و رگرسیون تشکیل شده است. مدل MARS برای طبقه­بندی وقوع بارش و الگوریتم­های ANN و KNN برای تعیین مقدار بارش به­کار برده شده­اند. نتایج مدل MARS برای تعیین وقوع بارش نشان می­دهد که مدل مذکور نسبت به مدل SDSM از دقت بیش­تری برخوردار است. با مقایسه نتایج ریز­مقیاس­نمایی مشاهده می­شود که الگوریتم ANN نسبت به مدل SDSM و الگوریتم KNN دارای دقت بیش­تری در تعیین میانگین سالانه و ماهانه بارش است. به­طوری که در ایستگاه شهرکرد مقدار معیار R برای الگوریتم ANN نسبت به مدل SDSM به اندازه ۵۴ درصد دقیق­تر است. هم­چنین، الگوریتم­های ANN، KNN و SDSM از نظر بیش­ترین دقت در سه ایستگاه بررسی شده، با در نظر گرفتن میانگین، انحراف معیار و ضریب چولگی ماهانه به ترتیب در رتبه­های اول، دوم و سوم قرار داده می­شوند. در نهایت، مقدار تغییرات بارش در دوره آینده نزدیک (۲۰۲۰-۲۰۴۰) و آینده دور (۲۰۷۰-۲۱۰۰) تحت سناریو­های A۲ و B۲ مدل HADCM۳ بررسی شد. نتایج نشان داد که کم­ترین کاهش بارش (۲ درصد) مربوط به الگوریتم ANN (در ایستگاه شهرکرد) و سناریوی A۲ در دوره آینده نزدیک و بیش­ترین آن (۵۴ درصد) مربوط به مدل SDSM (در ایستگاه یاسوج) و سناریوی A۲ در دوره آینده دور می­باشد. در نهایت می توان نتیجه گرفت که هیبرید ماشین های یادگیری نسبت به مدل SDSM، از دقت بیشتری برخوردار است و می توان از مدل معرفی شده به عنوان جایگزین مدل SDSM استفاده کرد.

تغییر اقلیم, ریز مقیاس نمایی, ماشین های یادگیری, بارش