مقایسه روش های یادگیری ماشین در انتخاب پیش بینی کننده های مدل های گردش عمومی جو-اقیانوسی برای ریزمقیاس نمائی دمای بیشینه (مطالعه موردی: بیرجند)

افزایش غلظت گازهای گلخانه­ای در اتمسفر باعث تغییرات زیادی در مولفه­های اقلیمی کره زمین شده است که این تغییرات در پارامترهای اقلیمی به صورت افزایشی یا کاهشی است. امروزه تغییر اقلیم یکی از چالش های بشر در بهره برداری و مدیریت منابع آب است، همچنین شرایط کنونی آب و هوای جهانی نشان دهنده افزایش خطرات ناشی از پدیده خشکی در بسیاری از مناطق جهان در آینده است. مدل های گردش کلی جوی یکی از مهم ترین و پرکاربردترین روش ها در مطالعات تغییرات اقلیمی در مقیاس منطقه­ای می باشد. یکی از اولویت­های اصلی ریزمقیاس نمایی آماری انتخاب پیش بینی کننده­ها به عنوان ورودی به مدل ریزمقیاس نمایی در پژوهش می­باشد. برای انتخاب پیش بینی کننده­های مهم از بین ۲۶ متغیر جو بالا، از چهار الگوریتم یادگیری ماشین شامل لاسو، ستیغی، GBM، SPSA در ریزمقیاس نمایی آماری دمای بیشینه در ایستگاه بیرجند استفاده گردید و عملکرد این روش ها با سه شاخص نش-ساتکلیف نسبی، کلینگ-گوپتا و بازده حجمی در بخش صحت سنجی مورد بررسی قرار گرفت. نتایج نشان داد که بیشترین میزان اهمیت برای مولفه سرعت نصف النهاری نزدیک سطح و کمترین مقدار آن در مولفه سرعت مداری در ارتفاع ۵۰۰ هکتو پاسکال می­باشد که مقادیر آن به ترتیب ۲/۷۳% و ۱۵% تعیین شد. همچنین نتایج شاخص­های ارزیابی عملکرد نش- ساتکلیف نسبی و کلینگ-گوپتا، نشان دادند که الگوریتم SPSA دارای عملکرد بهتری از سایر الگوریتم­ها درانتخاب پیش بینی کننده­ها و به تبع آن ریزمقیاس ­نمائی دمای بیشینه می­باشد. مقایسه میانگین و واریانس خروجی ریزمقیاس شده توسط الگوریتم­های مورد استفاده و داده­های مشاهداتی در بخش صحت سنجی نشان داد که الگوریتمSPSA  نسبت به سایر الگوریتم­ها در باز تولید میانگین و واریانس دمای بیشینه مشاهداتی در ایستگاه سینوپتیک بیرجند دارای توانایی بیشتری می­باشد.

کلیدواژه ها:

الگوریتم یادگیری ماشین ، پیش بینی کننده ، شهرستان بیرجند ، مدل گردش عمومی جو- اقیانوس