بهبود شبیه سازی متغیرهای اقلیمی با تلفیق مدل های گردش عمومی جو و الگوریتم جنگل تصادفی

شناخت روندهای آینده تغییر اقلیم و ارزیابی عملکرد مدل های اقلیمی در پیش بینی دما و بارش، گامی اساسی در برنامه ریزی و مدیریت منابع آب به شمار می رود. در این مطالعه، به شبیه سازی بارش، دمای حداقل و حداکثر و تبخیروتعرق در ایستگاه سینوپتیک قزوین پرداخته شده است. برای این منظور، داده های ماهانه دمای حداقل (درجه سانتیگراد)، دمای حداکثر (درجه سانتیگراد)، تبخیروتعرق (میلیمتر) و بارش (میلیمتر)مدل های اقلیمی CanESM۵، GFDL-ESM۴و HadGEM۳ با داده ایستگاه سینوپتیک قزوین در دوره پایه ۲۰۱۴-۱۹۸۶ به صورت جداگانه و گروهی مقایسه شد. نتایج نشان داد که اجرای گروهی سه مدل گردش عمومی جو به روش جنگل تصادفی، برای منطقه مورد مطالعه منجر به کاهش خطای شبیه سازی و در نتیجه افزایش دقت پیش بینی ها گردیده است.به طوری که در شبیه سازی دمای حداقل، مدل های منفرد RMSE حدود ۶/۲–۴/۲ (درجه سانتیگراد) دارند، درحالی که مدل ترکیبی در داده های آموزش و آزمون به ترتیب ۱ و ۸۳/۱ (درجه سانتیگراد) دارد. همبستگی Spearman در هر دو حالت بالا (۹۷/۰–۸۵/۰) است. روند تغییرات متغیرهای اقلیمی با استفاده از آزمون کندال و روش شیب سن بررسی شد و نتایج نشان داد که در دوره های آینده تحت سناریوهای SSP۵-۸.۵ و SSP۲-۴.۵روند کاهشی بارش به صورت معنی دار و در مقابل روند افزایشی دمای حداقل و حداکثر و تبخیروتعرق به صورت معنی دار است. به طور کلی نتایج نشان داد که در منطقه مورد مطالعه در دهه های آینده تحت تاثیر سناریوهای تغییر اقلیم با گرم تر شدن دما و کاهش بارش های سالانه روبه رو خواهد بود؛ موضوعی که لزوم برنامه ریزی سازگارانه در بخش آب و کشاورزی را برجسته می سازد.

کلیدواژه ها:

بارش ، تبخیروتعرق ، دما ، یادگیری ماشین