مقايسه مدل شبكه عصبي مصنوعي (ANN) و SDSM در كوچك مقياس سازي دما

Comparison of Artificial Neural Network (ANN) and SDSM Model to Downscaling of Temperature

در اين پژوهش كوچك مقياس سازي دما در دشت تجن واقع در استان مازندران انجام گرفت. نتايج مدل هاي گردش عمومي جو با مدل اقليمي HadCM3 تحت سناريوي A2به دست آمد. از آنجايي كه خروجي مدل هاي گردش عمومي جو داراي وضوح مكاني پاييني است مي بايست در سطح منطقه يا حوزه كوچك مقياس شوند كه اين كار به روش آماري انجام شد. روش هاي آماري مورد استفاده شامل مدل كوچك مقياس سازي SDSM5.5.1 و مدل شبكه عصبي مصنوعي است. در اين پژوهش، با استفاده از اطلاعات ميانگين دماي روزانه ايستگاه كردخيل در طول دوره آماري 30 ساله (2001-1971) و متغير هاي بزرگ مقياس NCEP، به عنوان ورودي هاي شبكه عصبي و مدل SDSM، شبيه سازي و كوچك مقياس سازي دماي بيشينه و كمينه در دوره گذشته به منظور تعيين خطاي مدل ها صورت گرفت. بدين منظور از امكانات و توابع موجود در محيط برنامه نويسي متلب، بهره گرفته شد. سپس براي ارزيابي عملكرد مدل ها، از معيار هاي آماري از جمله ضريب همبستگي،ضريب تبيين و جذر ميانگين مربعات خطا بين مقادير مشاهداتي و پيش بيني شده ي دما استفاده شد. نتايج به دست آمده نشان دهنده كارآيي مناسب مدل SDSM براي كوچك مقياس سازي دما نسبت به مدل شبكه عصبي مصنوعي است. به طوري كه درصد خطاي مدل SDSM كمتر از شبكه عصبي و ضريب همبستگي آن بيشتر است.همچنين بهترين ساختار شبكه عصبي براي شبيه سازي دماي بيشينه مدل پرسپترون چهار لايه پنهان با معماري 6-6-5-5 و براي متغير دماي كمينه مدل پرسپترون سه لايه پنهان با معماري 1-3-5 مي باشد.

In this study downscaling of temperature was down in Tajan Plain located in the province of Mazandaran. The result of atmospheric general circulation models was obtained with HadCM3 climate model under scenario A2. Since the output of atmospheric general circulation models has a low locative resolution, should be downscaled in the area or Basin level that it was conducted with statistical method. The statistical methods used included of downscaling SDSM5.5. And artificial neural network model. In this study, by using the average daily temperature data of Kordkheil Station during the30-year statistic Period (1971-2001) and the large-scale variables NCEP, as inputs to the neural network and SDSM model, simulation and downscaling was down respectively of the maximum and minimum temperature in the last period to determine models error. To this end were used of the features and functions available in the programming software MATLAB. Then To evaluate the performance of the models, were used the statistical criteria including of correlation coefficient, coefficient of declaration and root mean square error between observed and predicted values ​​of temperature. The obtained results show the appropriate performance of SDSM model for downscaling temperature Than the ANN model. So that the error percentage of SDSM model is lower and the correlation coefficient is more than the ANN model. The best Structure of neural network to simulate of maximum temperature is perceptron model with four hidden layer with the 5-5-6-6 architecture and for the minimum temperature Variable is perceptron model with three hidden layer with 5.3.1 architecture.