ارزیابی کارایی مدل شبکه عصبی مصنوعی برای ریزمقیاس نمایی و پیشبینی روزانه دما تحت سه سناریو اقلیمی در یک ایستگاه هواشناسی کانادا

از آنجا که تغییر اقلیم یکی از مهمترین عامل تهدیدآمیز زندگی بشر در قرن بیست و یکم شناخته شده است، پیشبینی شرایط اقلیمی آینده در سراسر مناطق کره زمین در راستای مدیریت و برنامهریزی طرحهای عمرانی امری ضروری است. خروجیهای مدلهای گردش عمومی جو به عنوان منبع اصلی شبیه سازی اقلیم، داده های بزرگمقیاس و فاقد دقت مکانی و زمانی مناسب جهت استفاده در مطالعات ناحیهای هستند. روش ریزمقیاس نمایی راهکار رفع این محدودیتها است. در این تحقیق، از داده های مشاهداتی دما و پوشش ابر روزانه ایستگاه سینوپتیک مک دونالد اتاوا در دوره پایه ۱۹۸۶-۲۰۰۵ و داده های مدل اقلیمی CanESM۲ تحت سه سناریو RCP۲.۶، RCP۴.۵ و RCP۸.۵ در دوره آتی ۲۰۸۱-۲۱۰۰ طبق گزارش پنجم سازمان بین المللی تغییراقلیم استفاده گردید. خروجی هریک از سناریوهای آتی انتشار به کمک مدل شبکه عصبی به مقیاس منطقه ای تبدیل شد. نتایج نشان داد ساختار مدل شبکه عصبی مقادیر شاخص های RMSE و R۲ را برای داده های تست به ترتیب برابر ۱/۶۶ و ۰/۹۹ نشان میدهد. نتایج حاکی از افزایش ۲/۳۱، ۳/۹۵ و ۶/۱۲ درجه سانتیگراد در دمای متوسط روزانه مدل CanESM۲ تحت هریک از سناریوهای RCP۲.۶، RCP۴.۵ و RCP۸.۵ در طول دوره آتی ۲۰۸۱-۲۱۰۰ نسبت به دوره پایه ۱۹۸۶-۲۰۰۵ است.

کلیدواژه ها:

ریزمقیاس نمایی ، دما ، شبکه عصبی مصنوعی ، CanESM۲ ، RCP