مقایسه عدم قطعیت دو مدل GFDL30 و NCARPCM با شبکه عصبی مصنوعی ANN مطالعه موردی: حوضه بختیاری

مروزه معتبرترین ابزار جهت بررسی اثرات پدیده تغییر اقلیم بر سیستم های مختلف، استفاده از متغیرهای اقلیمی شبیه سازی شده توسط مدل های گردش عمومی جفت شده جوی اقیانوسی می باشد. این مدل ها قادرند پارامترهای جوی اقیانوسی را برای یک دوره بلند مدت با استفاده از سناریوهای تعریف شده IPCC،مدل سازی نمایند. در این پژوهش برای ارزیابی عملکرد (عدم قطعیت) و شبیه سازی پارامتر اقلیمی دمای میانگین حوضه بختیاری، داده های دما میانگین 2 مدل ATR به نام GFDL30 و NCARPCM تحت سناریوی A2 برای سری زمانی 1971-2000 (دوره تاریخی یا پایه) استخراج شد. برای ریز مقیاس سازی از شبکه عصبی مصنوعی استفاده شد. دوره 1971-1995 برای آموزش شبکه و دوره 1996-2000 برای صحت سنجی انتخاب شد. مدل پرسپترون چند لایه MLP یکی از پرکاربردترین مدل های شبکه عصبی مصنوعی از مولفه های هوش مصنوعی در زمینه پیش بینی عناصر جوی و اقلیمی است که می تواند بدون در نظر گرفتن معادلات پیچیده غیر خطی، دینامیک حاکم بر سیستم رااستخراج نموده و خروجی مدل را پیش بینی کند.در این تحقیق داده های میانگین دمای ماهانه دو مدل GFDL30 و NCARPCM به عنوان ورودی و میانگین دمای ماهانه حوضه به عنوان خروجی انتخاب شد. پس از آموزش شبکه وتعیین روند همبستگی بین داده های مشاهداتی و مدل در دوره 1971-1995، داده های مدل در دوره 1996-2000 برای حوضه ریز مقیاس شدند. بر طبق نتایج مدل GFDL30 نسبت به مدل NCARPCM قطعیت بیشتری در شبیه سازی پارامتر اقلیمی دما برای حوضه مربوطه دارد. میانگین دمای مشاهداتی حوضه برای دوره 1996-2000 و 14/83 میانگین دمای حوضه را به ترتیب 13/786 و 13/49 درجه سانتی گراد براورد کرده اند.

Keywords:

تغییر اقلیم , شبکه عصبی مصنوعی , مدل پرسپترون , GFDL30 , NCARPCM