ارزیابی کارایی مدل شبکه عصبی مصنوعی برای ریزمقیاس نمایی و پیش بینی بلندمدت متغیرهای اقلیمی

مدل های گردش عمومی به عنوان منبع اصلی شبیه سازی اقلیم، دارای شبکه محاسباتی با ابعاد بزرگ بوده و قادر به ارائه اطلاعات قابل اعتماد برای مدل سازی هیدرولوژیکی نمی باشند. برای پرداختن و رفع چنین محدودیت هایی از روش ریز مقیاس نمایی استفاده می شود. در پژوهش حاضر، شبیه سازی اثر تغییر اقلیم بر رفتار بارش و دمای ایستگاه سینوپتیک سیرجان در استان کرمان، مورد ارزیابی قرار گرفت. در ابتدا عملکرد مدل شبکه عصبی مصنوعی به منظور ریزمقیاس نمایی متغیرهای اقلیمی پیش بینی شده توسط مدل گردش عمومی CanESM2 مورد آزمون قرار گرفت. در ادامه با استفاده از مناسب ترین مدل ها مقادیر دما و بارندگی متوسط ماهانه برای دوره های آتی تحت سناریوی RCP 4. 5 پیش بینی و بررسی گردیدند. نتایج نشان داد که برای متغیر دما ساختار مدل شبکه عصبی با تعداد 2 لایه پنهان، 8 نرون، تابع محرک تانژانت و لوگ سیگموئید و همچنین الگوریتم آموزش لونبرگ-مارکوات دارای بیشترین کارایی و مقادیر RMSE، NS و R2 به ترتیب برابر با 387/0، 973/0 و 917/0 بوده است. همچنین برای متغیر بارش نیز ساختاری با تعداد 2 لایه، 8 نرون، تابع محرک تانژانت و لوگ سیگموئید و الگوریتم آموزشی لونبرگ-مارکوات عملکرد مناسب تری داشت و مقادیر RMSE، NS و R2 به ترتیب برابر با 867/2، 849/0 و 924/0 می باشند. سایر نتایج نشان داد که تا سال 2099، میانگین دما در سناریوی RCP 4. 5، 3 درجه سانتی گراد افزایش خواهد یافت و بیشترین افزایش مربوط به ماه اگوست به مقدار 9/4 و کمترین افزایش مربوط به ماه آوریل به مقدار 8/1 می باشد. نتایج، همچنین افزایش قابل توجه در میزان بارش ژوئیه تا نوامبر و کاهش بارش در ماه های مارس و می را نشان داد. با این وجود در مقیاس سالانه، تغییری در میزان بارندگی رخ نخواهد داد.