بررسی عملکرد رویکردهای مختلف هوش مصنوعی در ریزمقیاس نمایی دما (منطقه مورد مطالعه: استان اردبیل)
- سال انتشار: 1401
- محل انتشار: فصلنامه علوم محیطی، دوره: 20، شماره: 4
- کد COI اختصاصی: JR_SCJS-20-4_013
- زبان مقاله: فارسی
- تعداد مشاهده: 264
نویسندگان
گروه انرژی های نو و محیط زیست، دانشکده علوم و فنون نوین، دانشگاه تهران، تهران، ایران
گروه انرژی های نو و محیط زیست، دانشکده علوم و فنون نوین، دانشگاه تهران، تهران، ایران
چکیده
سابقه و هدف: پیش بینی بلند و کوتاه مدت آب و هوا از جمله چالش های بسیار مهم محققان آب و اقلیم بوده است. به منظور فائق آمدن بر این چالش، ابزارهای متعددی از جمله مدل های گردش عمومی جوی-اقیانوسی، سناریوهای پیش بینی و مدل های ریزمقیاس نمایی توسعه و استفاده شده است. این ابزارها با ایجاد همبستگی بین داده های بزرگ مقیاس مدل های گردش عمومی و داده های کوچک مقیاس سینوپتیک، به ریزمقیاس نمایی سناریوهای پیش بینی می کنند. مواد و روش ها: در این مطالعه پارامترهای پیش بینی کننده بزرگ مقیاس دوره آماری ۱۹۶۱ تا ۲۰۰۳ از پایگاه داده مراکز ملی پیش بینی محیط زیست (NCEP) ، داده های بزگ مقیاس سناریوهای پیش بینی A۱B و A۲ مدل HadCM۳ دوره آماری ۲۰۰۱ تا ۲۱۰۰ از مرکز ارزیابی و مدلسازی اقلیم کانادا موسوم به CCCma، و داده های سینوپتیک هواشناسی ایستگاه های اردبیل از سازمان هواشناسی دریافت شده است. در این مطالعه سه روش (SDSM)، حداقل مربعات ماشین بردار پشتیبان (LS-SVM) و پرسپترون چند لایه (MLP) برای ریزمقیاس نمایی، و از سنجنده های آماری CC، MSE، RMSE، NMSE، Nash-Sutcliffe، MAE و دیاگرام تیلور به منظور ارزیابی کارایی روش های ریز مقیاس نمایی مورد استفاده قرار گرفت. نتایج و بحث: نتایج نشان داده است که مدل MLP بر اساس میانگین ایستگاه ها بهترین نتیجه را با مقادیر (CC=۰/۸۵)، (NMSE=۰/۶۳)، (NSH=۰/۷۳) و (MAE=۰/۵۲) کسب کرده و در رتبه های دوم و سوم به ترتیب مدل های LS-SVM و SDSM قرار گرفته اند. دیاگرام تیلور نیز مدل SDSM را ضعیف ترین مدل شناسایی و نتایج دو مدل LS-SVM و MLP را با اختلاف کمی با یکدیگر به عنوان مدل های برتر معرفی کرد. بر اساس نتایج ریزمقیاس نمایی، تمامی سناریوهای پیش بینی افزایش دمای میانگین روزانه تا سال ۲۱۰۰ در تمامی ایستگاه های مورد مطالعه را پیش بینی کرده اند. نتیجه گیری: بر اساس نتایج مطالعه، در تمامی سناریوهای پیش بینی و بر اساس تمامی روش های ریز مقیاس نمایی، افزایش دمای میانگین روزانه پیش بینی شده است، لذا لازم است تا در تهیه سیاست های توسعه ای و محیط زیستی این موضوع در نظر گرفته بشود.کلیدواژه ها
MLP, LS-SVM, SDSM, ریز مقیاس نمایی, دما میانگین روزانه, سناریوهای تغییر اقلیم, استان اردبیلاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.