بررسی عملکرد رویکردهای مختلف هوش مصنوعی در ریزمقیاس نمایی دما (منطقه مورد مطالعه: استان اردبیل)

سابقه و هدف: پیش بینی بلند و کوتاه مدت آب و هوا از جمله چالش­ های بسیار مهم محققان آب و اقلیم  بوده است. به منظور فائق آمدن بر این چالش، ابزارهای متعددی از جمله مدل­ های گردش عمومی جوی-اقیانوسی، سناریوهای پیش بینی و مدل­ های ریزمقیاس نمایی توسعه و استفاده شده است. این ابزارها با ایجاد همبستگی بین داده­ های بزرگ مقیاس مدل­ های گردش عمومی و داده ­های کوچک مقیاس سینوپتیک، به ریزمقیاس نمایی سناریوهای پیش ­بینی می­ کنند. مواد و روش ­ها: در این مطالعه پارامترهای پیش ­بینی­ کننده بزرگ مقیاس دوره آماری ۱۹۶۱ تا ۲۰۰۳ از پایگاه داده مراکز ملی پیش بینی محیط زیست (NCEP) ، داده ­های بزگ مقیاس سناریوهای پیش ­بینی A۱B و A۲ مدل HadCM۳ دوره آماری ۲۰۰۱ تا ۲۱۰۰ از مرکز  ارزیابی و مدلسازی اقلیم کانادا موسوم به CCCma، و داده ­های سینوپتیک هواشناسی ایستگاه ­های اردبیل از سازمان هواشناسی دریافت شده است. در این مطالعه سه روش (SDSM)، حداقل مربعات ماشین بردار پشتیبان (LS-SVM) و پرسپترون چند لایه (MLP) برای ریزمقیاس نمایی، و از سنجنده ­های آماری CC، MSE، RMSE، NMSE، Nash-Sutcliffe، MAE و دیاگرام تیلور به منظور ارزیابی کارایی روش ­های ریز مقیاس نمایی مورد استفاده قرار گرفت. نتایج و بحث: نتایج نشان داده است که مدل MLP بر اساس میانگین ایستگاه ­ها بهترین نتیجه را با مقادیر (CC=۰/۸۵)، (NMSE=۰/۶۳)، (NSH=۰/۷۳) و (MAE=۰/۵۲) کسب کرده و در رتبه ­های دوم و سوم به ترتیب مدل ­های LS-SVM و SDSM قرار گرفته اند. دیاگرام تیلور نیز مدل SDSM را ضعیف ترین مدل شناسایی و نتایج دو مدل LS-SVM و MLP را با اختلاف کمی با یکدیگر به عنوان مدل­ های برتر معرفی کرد. بر اساس نتایج ریزمقیاس نمایی، تمامی سناریوهای پیش بینی افزایش دمای میانگین روزانه تا سال ۲۱۰۰ در تمامی ایستگاه ­های مورد مطالعه را پیش بینی کرده اند. نتیجه گیری: بر اساس نتایج مطالعه، در تمامی سناریوهای پیش بینی و بر اساس تمامی روش ­های ریز مقیاس نمایی، افزایش دمای میانگین روزانه پیش بینی شده است، لذا لازم است تا در تهیه سیاست­ های توسعه ­ای و محیط زیستی این موضوع در نظر گرفته بشود.

کلیدواژه ها:

MLP ، LS-SVM ، SDSM ، ریز مقیاس نمایی ، دما میانگین روزانه ، سناریوهای تغییر اقلیم ، استان اردبیل