ارزیابی خطا و عدم قطعیت در ریزمقیاس گردانی SDSM و شبکه عصبی مصنوعی (برخی از ایستگاه های شمالی کشور)
در دهه های گذشته در نتیجه فعالیت های انسانی و طبیعی، میزان گاز های گلخانه ای در اتمسفر افزایش یافته و در نتیجه، دمای کره زمین روند افزایشی به خود گرفته است. برای مدیریت منابع آب، کشاورزی و در نتیجه ایجاد امنیت غذایی نیاز به آگاهی از وضعیت اقلیمی دوره آتی است که در حال حاضر معتبر ترین ابزار برای تولید سناریو های اقلیمی، مدل های سه بعدی جفت شده اقیانوس-اتمسفر گردش عمومی جو است. برای استفاده از این داده ها لازم است به وسیله تکنیک های مختلف در سطوح ایستگاهی ریزمقیاس گردانی شوند. مدل های مختلفی در جهت ریز مقیاس گردانی وجود دارد که هر یک دارای معایب و مزایایی هستند. هدف از انجام مطالعه، مقایسه دو روش خطی و غیرخطی ریز مقیاس گردانی است. در روش خطی، از مدل SDSM و در روش غیرخطی به کمک برنامه نویسی در نرم افزار متلب انجام پذیرفت. برای بررسی خطا از میانگین خطا ماهانه و سالانه و برای مقادیر حدی از واریانس و برای بررسی عدم قطعیت از آزمون من ویتنی در سطح 95 درصد استفاده شد. نتایج نشان داد که در بررسی میانگین ماهانه به ترتیب در ایستگاه قائم شهر، بابلسر، قرآن طالار و بند پی در مدل SDSM به ترتیب 0.75، 12، 11 و هفت، در مدل شبکه عصبی مصنوعی سه، دو، 26 و چهار و در میانگین سالانه به ترتیب نه، 146، 141 و 87 در مدل SDSM و در مدل شبکه عصبی مصنوعی 45، 32، 321، 48 میلی متر خطا (افزایشی و کاهشی) وجود دارد. نتایج عدم قطعیت در ایستگاه های قائم شهر، بابلسر، قرآن طالار و بندپی برای 12 ماه هر ایستگاه در مدل SDSM به ترتیب هشت، سه، شش و چهار و در شبکه عصبی مصنوعی به ترتیب چهار، دو، دو و سه پذیرفته شد. در مطالعات تغییر اقلیم بر رواناب و عدم قطعیت و زمانی که داده کم وجود دارد، باید از مدل SDSM و در زمانی که بررسی سیلاب و برآورد جریان کمینه و بیشینه هدف مطالعه است، بهتر است، از مدل شبکه عصبی مصنوعی استفاده کرد.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.