مقایسه مدل شبکه عصبی مصنوعی (ANN) و SDSM در کوچک مقیاس سازی دما

Abstract

<strong>در این پژوهش کوچک مقیاس سازی دما در دشت تجن واقع در استان مازندران انجام گرفت. نتایج مدل­های گردش عمومی جو با مدل اقلیمی</strong><strong>HadCM3</strong><strong>تحت سناریوی </strong><strong>A2</strong><strong>به دست آمد. </strong><strong>از آنجایی که خروجی مدل­های گردش عمومی جو دارای وضوح مکانی پایینی است می­بایست در سطح منطقه یا حوزه کوچک مقیاس شوند که این کار به روش آماری انجام شد. روش­های آماری مورد استفاده شامل مدل کوچک مقیاس سازی </strong><strong>SDSM5.5.1</strong><strong> و مدل شبکه عصبی مصنوعی است</strong><strong>. </strong><strong>در این پژوهش، با استفاده از اطلاعات میانگین دمای روزانه ایستگاه کردخیل در طول دوره آماری 30 ساله (2001-1971) و متغیر­های بزرگ مقیاس </strong><strong>NCEP</strong><strong>، به عنوان ورودی­های شبکه عصبی و مدل </strong><strong>SDSM</strong><strong>، شبیه سازی و کوچک مقیاس سازی دمای بیشینه و کمینه در دوره گذشته به منظور تعیین خطای مدل</strong><strong>­</strong><strong>ها صورت گرفت. بدین منظور از امکانات و توابع موجود در محیط برنامه­نویسی متلب، بهره گرفته شد. سپس برای ارزیابی عملکرد مدل­ها، از معیار­های آماری از جمله ضریب همبستگی،ضریب تبیین و جذر میانگین مربعات خطا بین مقادیر مشاهداتی و پیش­بینی شده­ی دما استفاده شد. نتایج به­دست آمده نشان دهنده کارآیی مناسب مدل </strong><strong>SDSM</strong><strong>برای کوچک مقیاس سازی دما نسبت به مدل شبکه عصبی مصنوعی است. به طوری که درصد خطای مدل </strong><strong>SDSM</strong><strong>کمتر از شبکه عصبی</strong><strong> </strong><strong>و ضریب همبستگی آن بیشتر است</strong><strong>.</strong><strong>همچنین بهترین ساختار شبکه عصبی برای شبیه سازی دمای بیشینه مدل پرسپترون چهار لایه پنهان با معماری 6-6-5-5 و برای متغیر دمای کمینه مدل پرسپترون سه لایه پنهان با معماری 1-3-5 می­باشد.</strong>