ارزیابی کارایی شبکه عصبی مصنوعی در ریزمقیاس نمایی دما و بارش با استفاده از خروجی مدل های اقلیمی CMIP۶ (مطالعه موردی: حوضه آبریز درودزن)

به دلیل تفکیک مکانی درشت خروجی مدل های گردش عمومی جو(GCMs) ، استفاده مستقیم از آن ها در مطالعات منابع آب و ارزیابی اثرات تغییر اقلیم امکان پذیر نیست؛ ازاین رو، ریزمقیاس نمایی این داده ها از اهمیت ویژه ای برخوردار است. هدف این پژوهش، ارزیابی کارایی شبکه عصبی مصنوعی (ANN) در ریزمقیاس نمایی دما و بارش خروجی مدل های اقلیمی CMIP۶ در حوضه آبریز درودزن استان فارس است. بدین منظور، داده های مشاهداتی دما و بارش، بازتحلیل NCEP/NCAR و خروجی هشت مدل اقلیمی CMIP۶ تهیه شد. عملکرد مدل های اقلیمی با استفاده از شاخص های ضریب تعیین (R²)، جذر میانگین مربعات خطا (RMSE) و میانگین قدر مطلق خطا (MAE) ارزیابی و مدل HadGEM۳-GC۳۱-LL به عنوان مناسب ترین مدل انتخاب شد. سپس، با استفاده از متغیرهای بزرگ مقیاس منتخب و توسعه مدل ANN در محیط MATLAB، ریزمقیاس نمایی انجام گرفت. نتایج نشان داد که مدل ANN در شبیه سازی دمای ماهانه عملکرد بسیار مطلوبی دارد، به طوری که ضریب تعیین در مراحل آموزش و آزمون ۹۹/۰ و مقادیر RMSE به ترتیب ۰۱۹۱/۰ و ۰۱۹۴/۰ درجه سانتی گراد به دست آمد. برای بارش نیز ضریب تعیین در مراحل آموزش و آزمون به ترتیب ۸۴/۰و ۸۳/۰ حاصل شد. نتایج پیش بینی اقلیم برای دوره ۲۰۲۵ تا ۲۰۵۰ نیز نشان داد که در تمامی سناریوهای انتشار، بارش سالانه حوضه روندی کاهشی و دمای هوا روندی افزایشی خواهد داشت و بیشترین شدت این تغییرات در سناریوی SSP۵-۸.۵ مشاهده شد. به طور کلی، نتایج این پژوهش نشان داد که شبکه عصبی مصنوعی ابزاری کارآمد و قابل اعتماد برای ریزمقیاس نمایی خروجی مدل های اقلیمی CMIP۶ و پیش بینی تغییرات اقلیمی در مقیاس حوضه آبریز است.

کلیدواژه ها:

'ریزمقیاس نمایی' ، 'تغییر اقلیم' ، 'شبکه عصبی مصنوعی' ، 'دما' ، 'بارش'