کاربرد مدل شبکه عصبی مصنوعی در خرد مقیاس نمودن برون داد های مدل GCM برای پیش بینی بارش در پهنه جنوبی ایران

آب و خاک

مقاله 9، دوره 28، شماره 5، زمستان 1394، صفحه 1037-1047  

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v0i0.21222

نویسندگان

نوشین احمدی باصری؛ امین شیروانی؛ محمد جعفر ناظم السادات

دانشگاه شیراز

چکیده

در این مطالعه، شبکه های عصبی مصنوعی و مدل های رگرسیونی برای خرد مقیاس نمودن خروجی های شبیه سازی شده مدل های گردش عمومی جو استفاده شدند. مجموعه داده های شبیه سازی شده بارش برای محدوده º18/25 تا º51/34 شمالی و º45 تا º60 شرقی، ارتفاع ژئو پتانسیل در سطح 850 میلی بار و باد مداری در سطح 200 میلی بار برای °56/12 تا °25/43 شمالی و °68/19 تا °87/61 شرقی به عنوان پیشگو کننده ها از مدلGCM ECHAM5 برای دوره 2005- 1960 استخراج شدند. بارش ماهانه دیده بانی شده ایستگاه های آبادان، آباده، اهواز، بندرعباس، بوشهر، شیراز و فسا برای دوره 2005-1960 به عنوان پیشگو شونده ها استخراج شدند. مؤلفه های اصلی داده های شبیه سازی شده استخراج و شش مؤلفه اصلی به عنوان ورودی مدل های شبکه عصبی مصنوعی و رگرسیون چند گانه در نظر گرفته شدند. همچنین ترکیب مجموعه داده های شبیه سازی شده به عنوان ورودی این مدل ها استفاده شدند. دوره های 2000-1960 و 2005-2001 به ترتیب به عنوان دوره های آموزش و آزمون در شبکه عصبی مصنوعی در نظر گرفته شدند. نتایج ضریب همبستگی پیرسون و جذر میانگین مربعات خطای استاندارد شده نشان داد که در بیشتر مواقع شبکه عصبی مصنوعی دقیق تر از رگرسیون چند گانه، بارش را پیش بینی می کند. برای مقیاس زمانی ماهانه داده های شبیه سازی شده ارتفاع ژئوپتانسیل بهترین پیشگو کننده و برای مقیاس فصلی (زمستان) بهترین پیشگو کننده در مدل شبکه عصبی مصنوعی، مؤلفه های اصلی استاندارد شده داده های شبیه سازی شده بارش می باشد.

کلیدواژه‌ها

بارش؛ پهنه جنوبی ایران؛ خرد مقیاس نمودن؛ شبکه عصبی مصنوعی؛ مدل گردش عمومی جو

مراجع

1- البرزی م. 1380. آشنایی با شبکه های عصبی. انتشارات دانشگاه صنعتی شریف. تهران.

2- بابائیان ا.، نجفی نیک ز.، زابل عباسی ف.، حبیبی نوخندان م.، ادب ح. و ملبوسی ش. 1388. ارزیابی تغییر اقلیم کشور در دوره 2036-2010 میلادی با استفاده از ریز مقیاس نمایی داده های مدل گردش عمومی جو ECHO-G. مجله جغرافیا و توسعه. 16: 152-135.

3- شیروانی ا. و ناظم السادات م. ج. 1391. پهنه بندی بارش در ایران با استفاده از تحلیل مولفه های اصلی و تحلیل خوشه ای. مجله تحقیقات منابع آب ایران. (1) 8 : 85-81.

4- عباسی ف.، ملبوسی ش.، بابائیان ا.، اثمری م. و برهانی ر. 1389. پیش بینی تغییرات اقلیمی خراسان جنوبی در دوره 2039-2010 میلادی با استفاده از ریز مقیاس نمایی آماری خروجی مدل .ECHO-G نشریه آب و خاک (علوم و صنایع غذایی). (24) 2: 233-218.

5- کوچکی ع.، نصیری م. و کمالی غ. 1386. مطالعه شاخص های هواشناسی ایران در شرایط تغییر اقلیم. مجله پژوهش های زراعی ایران. (5) 1: 142-133.

6- مساح بوانی ع. و مرید س. 1384. اثرات تغییر اقلیم برجریان رودخانه زاینده رود اصفهان. مجله علوم و فنون کشاورزی و منابع طبیعی. (9) 4: 27-17.

7- منهاج م. ب. 1377. هوش محاسباتی «جلد اول» مبانی شبکه های عصبی. چاپ اول. انتشارات مرکز نشر پرفسور حسابی.

8- ناظم السادات م. ج.، بیگی ب. و امین س. 1382. پهنه بندی بارندگی زمستانه استان های بوشهر، فارس و کهگیلویه و بویر احمد با استفاده از روش تحلیل مؤلفه های اصلی. مجله علوم و فنون کشاورزی و منابع طبیعی. (7) 1: 71-61.

9- ناظم السادات م. ج. و شیروانی ا. 1384. پیش بینی دمای سطح آب خلیج فارس با استفاده از رگرسیون چند گانه و تحلیل مؤلفه های اصلی. مجله علوم و فنون کشاورزی و منابع طبیعی. (9)3 : 1-11.

10- Coulibaly P., Dibike Y.B., and Anctil F. 2005. Downscaling precipitation and temperature with temporal neural networks, Journal of Hydrology, 6:483-496.

11- Dibike Y.B., and Coulibaly P. 2006. Temporal neural networks for downscaling climate variability and extremes, Neural Networks, 19:135–144.

12- Ghosh S., and Mujumdar P. P. 2008. Statistical downscaling of GCM simulations to stream flow using relevance vector machine, Advances in Water Resources, 31: 132–146.

13- Hanrahan G. 2011. Artificial Neural Networks in Biological and Environmental Analysis, CRC Press Pub.

14- Hewitson B.C., and Crane R.G. 2006. Consensus between GCM climate change projections with empirical downscaling: Precipitation downscaling over South Africa, International Journal of Climatology, 26: 1315-1337.

15- Junneng L., Tangang F.T., Kang H., Lee W.J., and Seng Y.K. 2010. Statistical downscaling forecasts for winter monsoon precipitation in Malaysia using multi model output variables, Journal of Climate, 23: 17-27.

16- Karamouz M., Fallahi M., Nazif S., and Rahimi Farahani M. 2009. Long lead rainfall prediction using statistical downscaling and artificial neural networks Modeling, Civil Engineering, 6(2): 163-172

17- Ramirez M.C.V., Velho H.F.D.C., and Ferreira N. J. 2005. Artificial neural network technique for rainfall forecasting applied to the Sao Paulo region, Journal of Hydrology, 301:146–162.

18- Smith M. 1993. Neural Networks for Statistical Modeling, Van Nostrand Reinfold Pub.

19- Tomassetti B., Verdecchia M., and Giorgi F. 2009. NN5: A neural network based approach for the downscaling of precipitation fields – Model description and preliminary results, Journal of Hydrology, 367:14–26.

20- Tumbo S.D., Mpeta E., Tadross M., Kahimba F.C., Mbillinyi B.P., and Mahoo H.F. 2010. Application of self-organizing maps technique in downscaling GCMs climate change projections for Same, Tanzania, Physics and Chemistry of the Earth, 35:608-617.

21- Wetterhall F., Halldin S., and Xu C.y. 2005. Statistical precipitation downscaling in central Sweden with the analogue method, Journal of Hydrology, 306:174–19.