ارزيابي كارايي مدل شبكه عصبي مصنوعي براي ريزمقياس نمايي و پيش‌بيني بلندمدت متغيرهاي اقليمي

Performance Evaluation of Artificial Neural Network Models for Downscaling and Predicting of Climate Variables

مدل‌هاي گردش عمومي به ­عنوان منبع اصلي شبيه‌سازي اقليم، داراي شبكه محاسباتي با ابعاد بزرگ بوده و قادر به ارائه اطلاعات قابل اعتماد براي مدل‌سازي هيدرولوژيكي نمي‌باشند. براي پرداختن و رفع چنين محدوديت‌هايي از روش ريز‌مقياس نمايي استفاده مي ­شود. در پژوهش حاضر، شبيه‌سازي اثر تغيير اقليم بر رفتار بارش و دماي ايستگاه سينوپتيك سيرجان در استان كرمان، مورد ارزيابي قرار گرفت. در ابتدا عملكرد مدل شبكه عصبي مصنوعي به‌منظور ريزمقياس­نمايي متغيرهاي اقليمي پيش­ بيني ­شده توسط مدل گردش عمومي CanESM2 مورد آزمون قرار گرفت. در ادامه با استفاده از مناسب ­ترين مدل­ ها مقادير دما و بارندگي متوسط ماهانه براي دوره ­هاي آتي تحت سناريوي RCP 4.5 پيش­ بيني و بررسي گرديدند. نتايج نشان داد كه براي متغير دما ساختار مدل شبكه عصبي با تعداد 2 لايه پنهان، 8 نرون، تابع محرك تانژانت و لوگ­سيگموئيد و همچنين الگوريتم آموزش لونبرگ-ماركوات داراي بيشترين كارايي و مقادير RMSE، NS و R2 به ترتيب برابر با 387/0، 973/0 و 917/0 بوده است. همچنين براي متغير بارش نيز ساختاري با تعداد 2 لايه، 8 نرون، تابع محرك تانژانت و لوگ سيگموئيد و الگوريتم آموزشي لونبرگ-ماركوات عملكرد مناسب­ تري داشت و مقادير RMSE، NS و R2 به ترتيب برابر با 867/2، 849/0 و 924/0 مي­ باشند. ساير نتايج نشان داد كه تا سال 2099، ميانگين دما در سناريوي RCP 4.5، 3 درجه ‌سانتي‌گراد افزايش خواهد يافت و بيشترين افزايش مربوط به ماه اگوست به مقدار 9/4 و كمترين افزايش مربوط به ماه آوريل به مقدار 8/1 مي‌باشد. نتايج، همچنين افزايش قابل توجه در ميزان بارش ژوئيه تا نوامبر و كاهش بارش در ماه­ هاي مارس و مي را نشان داد. با اين وجود در مقياس سالانه، تغييري در ميزان بارندگي رخ نخواهد داد.

Atmosphere–ocean coupled global climate models (GCMs) are the main source to simulate the climate of the earth climate. The computational grid of the GCMs is coarse and so, they are unable to provide reliable information for hydrological modelling. To eliminate such limitations, the downscaling methods are used. The present study is focused on simulating the impact of climate change on the behavior of precipitation and temperature of Sirjan synoptic station in Kerman Province. At first, the capability of artificial neural network to downscaling of climate variables that predicted by CanESM2 is tested. Then, using the most appropriate models, the mean monthly temperature and precipitation amounts forecast for future periods under RCP 4.5 scenario. Results of this study for monthly temperature downscaling indicated that the artificial neural network with 2 hidden layer, 8 neurons, with Tangent and Log sigmoid activation function was the best model, so that RMSE, NS and R2 were 0.387 , 0.973 and 0.917 respectively. Also, for precipitation variable, the structure with 2 hidden layer feed forward perceptron, 8 neurons, Tangent and Log sigmoid activation function and Levenberg-Marquardt algorithm had better performance, so that RMSE, NS and R2 were 2.867, 0.849 and 0.924, respectively. Results indicate that until 2099, amount of monthly mean temperature under RCP 4.5 emission scenario will be increased by 3 (˙C) and the highest increase is predicted for August by 3.9 (˙C) and a lower increase in April by 1.8 (˙C). The results also showed considerable increase of precipitation for June to November and noticeable decrease for March and May months. However, no change occure in annaul scale (inter-annual).