كاربرد رويكرد هوش مصنوعي در مطالعة تأثير محركهاي بزرگ مقياس آب وهوايي بر بارش بلوچستان پاكستان

استان بلوچستان در كشور پاكستان اغلب به دليل بارندگي كم در معرض خشكسالي‌هاي شديد قرار دارد. چندين نوع محرك آب‌وهوايي بزرگ‌ مقياس (LSCD) به دليل تأثيرشان بر بارندگي در سراسر جهان شناخته شده‌اند، اما در منطقة بلوچستان مطالعاتي در اين زمينه وجود ندارد. اين مطالعه با هدف شناسايي LSCDهاي معنا‌دار در بلوچستان و بهبود مهارت پيش‌بيني بارش ماهانه با استفاده از تجزيه و تحليل مؤلفة اصلي (PCA)، شبكة عصبي مصنوعي (ANN)، شبكة عصبي منظم‌شدة بيزين (BRNN) و تحليل رگرسيون چندگانه (MRA) انجام شد. LSCDهاي 12ماهه مانندNino1+2 ، Nino3 ، Nino3.4، Nino4، QBOدر 30 و 50 هكتوپاسكال (QBOI و QBOII)، دماي سطح دريا (SST)، دماي هوا (T2M)، ارتفاعات ژئوپتانسيل 500 و 850 هكتوپاسكال، سرعت مداري (500 U) و نصف‌النهاري (500V و850V)، شار گرماي نهان و محسوس (LHFOL و SHFOL) و رطوبت ويژه در سطح (SSH) بررسي شدند. همچنين از مجموعه داده‌هاي سيستم جهاني جمع‌آوري داده‌هاي زمين (GLDAS)، اندازه‌گيري بارندگي استوايي (TRMM)، MERRA2، NOAA و HadISST استفاده شد. نتايج نشان داد LSCDهاي معنا‌دار در سطح اطمينان 99% شامل SSH، SST، LHFOL، SHFOL، T2M، U500، Nino3.4 و Nino4 بودند. در طول دورة آزمون، در مقايسه با مدل‌هاي MR با ضريب همبستگي 0.15 تا 0.49 و مؤلفه‌هاي اصلي با ضريب همبستگي 0.16 تا 0.43، مدل‌هاي ANN و BRNN به ترتيب مهارت‌هاي پيش‌بيني بهتري با ضرايب همبستگي 0.40 تا 0.74 و 0.34 تا 0.70 داشتند. نتايج بيانگر توان مدل‌هاي ANN و BRNN در پيش‌بيني بارش ماهانة بلوچستان با استفاده از LSCDهاي داراي تأخير است.