بررسي عدم قطعيت مدل شبكه عصبي در ريز‌مقياس گرداني ‏HadCM3‎‏ با روش ‏فاصله اطمينان بوت استراپ

Uncertainty analyzing of‏ ‏Neural Network in downscaling of ‎HadCM3 data with bootstrap confidence interval method

در روش‌هاي ريزمقياس گرداني آماري كه بر اساس رابطه بين داده‌هاي گردش عمومي اتمسفري-اقيانوسي و هر يك از متغيرهاي اقليمي (بارش، دماي كمينه، دماي بيشينه) ايجاد مي‌شود، دوره آتي آن متغير اقليمي شبيه‌سازي مي‌شود. از آن‌جايي كه در شبيه‌سازي، تمامي عوامل رخ داد، يك متغير در مدل وارد نمي‌شود، لذا برآورد به‌وجود آمده همراه با خطا و يا عدم قطعيت مي‌باشد. خروجي مدل‌هاي ريزمقياس گرداني به‌عنوان ورودي در مدل‌هاي منابع آب و كشاورزي وارد شده و در صورتي كه اين ورودي‌ها داراي خطا باشند، خروجي مدل‌هاي ذكر شده نيز با عدم قطعيت بيشتري مواجه خواهد شد. شناخت مقدار خطا و يا عدم قطعيت هر مدل در قضاوت و اطمينان به نتايج به‌دست آمده ضروري است. در اين تحقيق سعي شده است، عدم قطعيت ريزمقياس گرداني مدل‌هاي GCM با شبكه عصبي در ايستگاه‌هاي شمال غرب كشور بررسي شود. بدين منظور، مدل شبكه عصبي اجرا و براي هر يك از ماه‌هاي سال، دماي كمينه، بيشينه و بارش با داده‌هاي NCEP واسنجي و ارزيابي شد. سپس، با داده‌هاي HadCM3 در دوره حاضر مدل ايجاد شده، مقادير فوق شبيه‌سازي شد. داده‌هاي روزانه مشاهده‌اي هر ماه در دوره (2001-1961) تهيه و در هر ايستگاه و هر ماه با روش بوت استرپ فاصله اطمينان 99 درصد استخراج شد. سپس متوسط ماهانه دوره هر يك از متغيرهاي اقليمي برآورد شده به‌وسيله شبكه عصبي محاسبه شد. براي اين منظور از دو معيار ميانگين و واريانس داده‌ها استفاده شد. در هر ماه هرگاه ميانگين يا واريانس برآورد شده در محدوده اطميان قرار گيرد، برآورد به‌دست آمده داراي اطمينان است. براي مقايسه نتايج از تعداد ايستگاه-ماه استفاده شد. نتايج نشان داد كه ميانگين دماي بيشينه در 14 ايستگاه-ماه در محدوده اطمينان واقع شدند. تحليل ماهانه آن نيز نشان داد، دقت شبكه عصبي در تابستان كم بوده و عدم قطعيت بالاتري نسبت به فصول ديگر دارد. در شبيه‌سازي دماي كمينه بر اساس اين معيار 18 ايستگاه-ماه در محدوده اطمينان واقع شد. دقت شبكه عصبي در تابستان براي برآورد دماي كمينه كم و داراي عدم قطعيت در اغلب ايستگاه‌ها بود. به‌طوري كه در ماه‌هاي ژوين و آگوست در هيچ يك از ايستگاه‌ها برآورد به‌دست آمده در محدوده اطمينان قرار نگرفت. محدوده اطمينان بارش به‌دليل ماهيت تغييرات زياد آن نسبت به دما بسيار بالا بوده و تا بيش از 50 درصد بارش متوسط ماه نيز در برخي ايستگاه‌ها رسيد. باتوجه به دامنه اطمينان بالاي بارش، در 53 مورد ايستگاه-ماه در محدوده اطمينان قرار گرفتند.

In the statistical downscaling methods which is based on the relationship between ‎AOGCMs data and ground based climatic variables (such as rain and temperature), the ‎future period of those variables are simulated‏.‏‎ Since in the simulation, all effective ‎parameters cannot be modeled, estimated values suffers from be uncertainty. The outputs ‎of downscaling models are used as inputs to agriculture and water resources models; ‎therefore, identifying the models inputs’ error or uncertainty is essential to realize the ‎reliability of obtained results. In this research, an attempt is made to investigate the ‎uncertainty of Artificial Neural Network (ANN) as a downscaling model in a case study ‎in the northwest of Iran. For this purpose, precipitation, minimum and maximum ‎temperature variables were used in the designed ANN model, and the NCEP data was ‎employed for its calibration and validation. The HadCM3 was the selected AOGCM in ‎this study. Observed daily time series were gathered at all stations in the study period and ‎on the basis of bootstrap method the 99% confidence interval was calculated for all the ‎variables. In the next step, the simulated (downscaled) mean and variance of the variables ‎by the ANN model, compared to the calculated confidence interval. To compare the ‎results, the criterion of the number of station-month was used. The results showed that the ‎average maximum temperature at 14 station-months were within the confidence interval. ‎The results of monthly analysis showed that the accuracy of ANN model in summer was ‎low and its uncertainty is more than the other seasons. In the simulation of minimum ‎temperature based on this criterion, 18 station-months were within the confidence interval. ‎The accuracy of ANN to estimate the minimum temperature in summer was low with ‎high uncertainty in almost all the stations. Moreover, in June and August in any of the ‎stations estimated values were not within the confidence interval. Due to the high ‎variability of rainfall in relation to temperature, confidence range was very high, and in ‎some stations was more than 50% of average monthly precipitation. Because of the high ‎confidence rang of precipitation, in 53 Stations-month cases were within the confidence ‎interval.‎