كاربرد مدل شبكه عصبي مصنوعي در خرد مقياس نمودن برون داد هاي مدل GCM براي پيش بيني بارش در پهنه جنوبي ايران

The Application of ANN for Downscaling GCMs Outputs for Prediction of Precipitation in Across Southern Iran

در این مطالعه، شبكه های عصبی مصنوعی و مدل های رگرسیونی برای خرد مقیاس نمودن خروجی های شبیه سازی شده مدل های گردش عمومی جو استفاده شدند. مجموعه داده های شبیه سازی شده بارش برای محدوده º18/25 تا º51/34 شمالی و º45 تا º60 شرقی، ارتفاع ژئو پتانسیل در سطح 850 میلی بار و باد مداری در سطح 200 میلی بار برای °56/12 تا °25/43 شمالی و °68/19 تا °87/61 شرقی به عنوان پیشگو كننده ها از مدلGCM ECHAM5 برای دوره 2005- 1960 استخراج شدند. بارش ماهانه دیده بانی شده ایستگاه های آبادان، آباده، اهواز، بندرعباس، بوشهر، شیراز و فسا برای دوره 2005-1960 به عنوان پیشگو شونده ها استخراج شدند. مؤلفه های اصلی داده های شبیه سازی شده استخراج و شش مؤلفه اصلی به عنوان ورودی مدل های شبكه عصبی مصنوعی و رگرسیون چند گانه در نظر گرفته شدند. همچنین تركیب مجموعه داده های شبیه سازی شده به عنوان ورودی این مدل ها استفاده شدند. دوره های 2000-1960 و 2005-2001 به ترتیب به عنوان دوره های آموزش و آزمون در شبكه عصبی مصنوعی در نظر گرفته شدند. نتایج ضریب همبستگی پیرسون و جذر میانگین مربعات خطای استاندارد شده نشان داد كه در بیشتر مواقع شبكه عصبی مصنوعی دقیق تر از رگرسیون چند گانه، بارش را پیش بینی می كند. برای مقیاس زمانی ماهانه داده های شبیه سازی شده ارتفاع ژئوپتانسیل بهترین پیشگو كننده و برای مقیاس فصلی (زمستان) بهترین پیشگو كننده در مدل شبكه عصبی مصنوعی، مؤلفه های اصلی استاندارد شده داده های شبیه سازی شده بارش می باشد.

In this study, the artificial neural networks (ANNs) and regression models were used to downscale the simulated outputs of the general circulation models (GCMs). The simulated precipitation for 25.18 º N to 34.51 º N and 45 º E to 60 º E, geopotential height at 850 mb and zonal wind at 200 mb for 12.56° N to 43.25° N and 19.68° E to 61.87° E data sets as the predictors were extracted from ECHAM5 GCM for the period 1960-2005. The observed monthly precipitation data of Abadan, Abadeh, Ahwaz, Bandar Abbas, Bushehr, Shiraz and Fasa stations as the predictand were extracted for the period 1960-2005. The principal components (PCs) of the simulated data sets were extracted and then six PCs were considered as the input file of the ANN and multiple regression models. Also the combinations of the simulated data sets were used as the input file of these models. The periods 1960-2000 and 2001-2005 were considered as the train and test data in the ANN, respectively. The Pearson correlation coefficient and normalized root mean square error results indicated that ANN predicts precipitation more accurate than multiple regression. For the monthly time scale, the geopotential height is the best predictor and for the seasonal time scale (winter) the simulated precipitation is the best predictor in ANN based standardized precipitation principal components.