ریزمقیاس نمایی آماری مبتنی بر ANN مدل GCM برای پیش بینی پارامترهای هیدروکلیماتولوژی (مطالعه موردی : شهر تبریز)

برای بررسی تاثیر تغییر اقلیم بر سیستم های مختلف مانند منابع آب در دوره های آتی، در ابتدا متغیرهای اقلیمی تحت تاثیر تغییرات گازهای گلخانه ای شبیه سازی می شوند. روش های مختلفی برای شبیه سازی متغیرهای اقلیمی، تحت تاثیر تغییر اقلیم وجود دارد که معتبرترین آن ها، استفاده از داده های مدل گردش عمومی جو (GCM) می باشد. مهم ترین ضعف مدل های GCM، بزرگ بودن مقیاس مکانی متغیرهای اقلیمی شبیه سازی شده توسط این مدل ها نسبت به مقیاس منطقه ای می باشد. بنابراین برای استفاده از این داده ها لازم است تا داده های GCM توسط تکنیک های مختلف، ریز مقیاس گردند. در این مطالعه از شبکه عصبی مصنوعی (ANN) برای ریز مقیاس نمودن خروجی های مدل GCM که توسط سناریو های مختلف شبیه سازی می شوند استفاده شده است. از آنجا که تعداد پارامترهای ورودی به مدل ANN زیاد می باشد بدون شک اصلی ترین مرحله به هنگام استفاده از این مدل ها، انتخاب مناسب ترین داده ها به عنوان ورودی است، چرا که با افزایش تعداد متغیرهای ورودی، پیچیدگی محاسبات داخل مدل افزایش می یابد، روند آموزش مدل سخت تر وکندتر می شود. بنابراین در این مطالعه برای انتخاب پارامترهای ورودی موثر از روش ضریب همبستگی (CC) استفاده شده است. نتایج نشان داد که پارامترهای بارش و دما در دوره آتی به ترتیب کاهش و افزایش می یابند. بیشترین کاهش بارندگی تحت سناریو RCP8.5 (10.67%-) و بیشترین افزایش دما تحت سناریو RCP4.5(%2.5) پیش بینی شدند.

ریزمقیاس نمایی آماری مبتنی بر ANN مدل GCM برای پیش بینی پارامترهای هیدروکلیماتولوژی (مطالعه موردی : شهر تبریز) Keywords:

مدل گردش عمومی جو , شبکه عصبی مصنوعی , تغییر اقلیم , ضریب همبستگی