ارزيابي كارايي مدلهاي هوش مصنوعي در ريزمقياس‌نمايي دما (منطقه مورد مطالعه: استان اردبيل)

سابقه و هدف: پيش بيني بلند و كوتاه مدت آب و هوا از جمله چالش هاي بسيار مهم محققان آب و اقليم بوده است. به منظور فائق آمدن بر اين چالش، ابزارهاي متعددي از جمله مدل هاي گردش عمومي جوي-اقيانوسي، سناريوهاي پيش بيني و مدل هاي ريزمقياس نمايي توسعه و استفاده شده است. اين ابزارها با ايجاد همبستگي بين داده هاي بزرگ مقياس مدل هاي گردش عمومي و داده هاي كوچك مقياس سينوپتيك، به ريزمقياس نمايي سناريوهاي پيش بيني مي كنند. مواد و روش ها: در اين مطالعه پارامترهاي پيش بيني كننده بزرگ مقياس دوره آماري 1961 تا 2003 از پايگاه داده مراكز ملي پيش بيني محيط زيست (NCEP) ، داده هاي بزگ مقياس سناريوهاي پيش بيني A1B و A2 مدل HadCM3 دوره آماري 2001 تا 2100 از مركز ارزيابي و مدلسازي اقليم كانادا موسوم به CCCma، و داده هاي سينوپتيك هواشناسي ايستگاه هاي اردبيل از سازمان هواشناسي دريافت شده است. در اين مطالعه سه روش (SDSM)، حداقل مربعات ماشين بردار پشتيبان (LS-SVM) و پرسپترون چند لايه (MLP) براي ريزمقياس نمايي، و از سنجنده هاي آماري CC، MSE، RMSE، NMSE، Nash-Sutcliffe، MAE و دياگرام تيلور به منظور ارزيابي كارايي روش هاي ريز مقياس نمايي مورد استفاده قرار گرفت. نتايج و بحث: نتايج نشان داده است كه مدل MLP بر اساس ميانگين ايستگاه ها بهترين نتيجه را با مقادير (CC=0/85)، (NMSE=0/63)، (NSH=0/73) و (MAE=0/52) كسب كرده و در رتبه هاي دوم و سوم به ترتيب مدل هاي LS-SVM و SDSM قرار گرفته اند. دياگرام تيلور نيز مدل SDSM را ضعيف ترين مدل شناسايي و نتايج دو مدل LS-SVM و MLP را با اختلاف كمي با يكديگر به عنوان مدل هاي برتر معرفي كرد. بر اساس نتايج ريزمقياس نمايي، تمامي سناريوهاي پيش بيني افزايش دماي ميانگين روزانه تا سال 2100 در تمامي ايستگاه هاي مورد مطالعه را پيش بيني كرده اند. نتيجه گيري: بر اساس نتايج مطالعه، در تمامي سناريوهاي پيش بيني و بر اساس تمامي روش هاي ريز مقياس نمايي، افزايش دماي ميانگين روزانه پيش بيني شده است، لذا لازم است تا در تهيه سياست هاي توسعه اي و محيط زيستي اين موضوع در نظر گرفته بشود.