ارزیابی کاربرد مدل های شبکه عصبی مصنوعی و SDSM به منظورشبیه سازی دمای کمینه و بیشینه ایستگاه اصفهان

Abstract

با توجه به تغییرات اقلیمی و گرمایش جهانی، پیش­بینی دمای بیشینه و کمینه که از مهم‌ترین پارمترهای اقلیمی است، فرصت مناسبی را برای برنامه­ریزی و ارائه تمهیدات لازم در اختیار برنامه­ریزان قرار می‌دهد. در این پژوهش با استفاده از مدل ریزگردانی آماری دینامیک (SDSM) و مدل ریزگردانی براساس شبکه عصبی مصنوعی (ANN) بیشینه و کمینۀ دمای ایستگاه اصفهان شبیه­سازی شد. در این راستا از داده­های مرکز ملی پیش‌بینی محیطی (NCEP) به عنوان متغیرهای پیش­بین جهت واسنجی و ارزیابی مدل استفاده شد و از داده­های HadCM3 تحت دو سناریوی A2 و B2 جهت شبیه­سازی دمای کمینه و بیشینۀ ایستگاه اصفهان طی سه دوره زمانی 2016-2040، 2041-2070 و 2071-2099 استفاده شد. نتایج نشان داد که دمای بیشینه و کمینه طی دوره‌های یاد شده افزایش چشم‌گیری خواهند داشت. به گونه­ای که بر اساس سناریوی B2 و در هر دو مدل شبکه عصبی و SDSM تا سال 2099 نسبت به دوره پایه، میانگین سالانه دمای کمینه 38/2 و 22/3 درجه و دمای بیشینه 43/3 و 22/4 درجه سلسیوس افزایش خواهد یافت. بر اساس این پژوهش، مدل شبکه عصبی مصنوعی نتایج قابل قبول­تری را نشان داد.