جواد رمضانی مقدم - دانشگاه محقق اردبیلی
مصطفی یعقوب زاده - دانشگاه بیرجند
احمد جعفرزاده - دانشگاه بیرجند

فرآیند ریزمقیاس نمایی آماری با هدف ارتقای شبیه سازی های مدل های GCMs و کاربست نتایج آن ها در مقیاس محلی انجام می شود. در این بین انتخاب متغیرهای ورودی ریزمقیاس نمایی اولین گام مهم این فرآیند می باشد. از آنجا که هدف اصلی ریزمقیاس نمایی بهبود شبیه سازی مدل های اقلیمی می باشد، بسیاری از مطالعات روش های متنوعی را برای انتخاب متغیرهای ورودی ریزمقیاس نمایی مورد ارزیابی قرار داده اند.این مطالعه درنظر دارد تا با استفاده از آزمون های مقایسه ای جامع، عملکرد شبکه عصبی را در فرآیند ریزمقیاس نمایی بارش روزانه تخت تاثیر چهار روش انتخاب متغیر PCA، CA، SRA و ParCA در اقلیم های متفاوت مورد ارزیابی قرار دهد. بدین منظور در ابتدا داده های مشاهداتی ۳۰ ساله مربوط به ایستگاه های بیرجند (اقلیم خشک- کویری) و اردبیل (اقلیم سرد- نیمه خشک)، حدفاصل سال های ۲۰۰۴-۱۹۷۷ گرداوری شد. به منظور شبیه سازی رفتار مولفه های اقلیمی متاثر از پدیده تغییر اقلیم از خروجی مدل CanESM۲ استفاده شد. بدین ترتیب داده های بزرگ مقیاس مدل CanESM۲ برای هر دو ایستگاه سینوپتیک به منزله متغیرهای ورودی و بارندگی مشاهداتی به عنوان متغیر خروجی درنظر گرفته شد. آزمون های مقایسه ای شامل شاخص های ارزیابی، مقایسه مشخصه های آماری، جدول Contingency Table Event جهت تشخیص سری روزهای تر و خشک و مقایسه نموداری توزیع آماری از جمله ابزارهای مورد استفاده در این مطالعه جهت ارزیابی عملکرد روش های مختلف انتخاب متغیر می باشد. نتایج مطالعه نشان داد که به طور کلی ریزمقیاس نمایی بارش روزانه در تمامی روش های انتخاب متغیر در ایستگاه بیرجند دارای عملکرد بهتری نسبت به ایستگاه اردبیل می باشد. همچنین نتایج آزمون های مختلف نشان داد که روش های انتخاب متغیر CA و ParCA در اقلیم های خشک و روش SRA در اقلیم سرد-نیمه خشک از عملکرد بهتری برخوردار می باشد. بهترین مقادیرشاخص های RMSE، R و NSE برای ایستگاه بیرجند به ترتیب ۲/۱ میلی متر در روز، ۵۵/۰ و ۲۵/۰ و در ایستگاه اردبیل به ترتیب ۷۵/۱ میلی متر در روز، ۱۴/۰ و ۰۱۳/۰ بدست آمد.ارزیابی روش ها در تشخیص درست روزهای تر و خشک در بیرجند نشان داد که دقت روش های CA و ParCA به ترتیب ۲۵ و ۲۲ درصد می باشد. این بدان معنی است که روش CA توانسته است ۲۵ روزهای تر را به درستی تر تشخیص دهد.

تحلیل مولفه های اصلی, دوره های تر و خشک, کاهش ابعاد ورودی, همبستگی جزئی و CanESM۲