مقایسه روش های شبکه ی عصبی مصنوعی و SDSM در ریزمقیاس کردن اندازه ی بارش سالانه-ی شبیه سازی شده با HadCM3 (مطالعه ی موردی: کرمان، راور و رابر)

امروزه این باور وجود دارد که فعالیتهای انسانی، از جمله تغییر در پوشش و کاربری اراضی، موجب افزایش غلظت گاز های گلخانه ای می گردد، که پیامد آن برهم خوردن توازن کارمایه، گرم شدن اتمسفر، و در نهایت پدیده ی تغییر اقلیم می باشد. پیش بینی بارندگی یکی از مهمترین مسائل در برنامه ریزی و مدیریت منابع آب می باشد. در این پژوهش، اندازه ی بارندگی ایستگاه های کرمان، راور و رابر با استفاده از خروجی های شبیهHadCM3، تحت نمایشنامه ی A2، و از طریق شبیه های ریز مقیاس کننده ی SDSM و شبکه ی عصبی مصنوعی، برای سه دوره ی 2039-2010، 2069-2040 و 2099-2070 میلادی پیش بینی شده است. ابتدا دوره ی آماری 2001-1971، به عنوان دوره ی پایه انتخاب شد. در ادامه، با توجه به معیارهای آماری، نتایج حاصل از دو شبیه مورد ارزیابی و مقایسه قرار گرفتند. یافته ها بیانگر عملکرد بالاتر شبیه شبکه ی عصبی در ایستگاه های کرمان و راور می باشند. اندازه ی بارندگی سالانه در ایستگاه های کرمان، راور و رابر تا سال 2099، در شبیه شبکه ی عصبی به ترتیب 86/12، 68/11 و %39/11 و در شبیه SDSM 89/0، 48/18 و %55/1 نسبت به دوره ی پایه کاهش می یابند.