مقایسه مدل‌های سری زمانی و شبکه عصبی با نتایج سناریوهای انتشار در پیش‌بینی بارندگی

آب و خاک

مقاله 9، دوره 29، شماره 4، 1394، صفحه 943-953   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v0i0.32168

نویسندگان

سحر بابایی حصار^{* 1}؛ رضا قضاوی²

¹دانشگاه سراسری کاشان

²دانشگاه کاشان

چکیده

بارش از مهمترین پارامترهای اقلیمی اثرگذار بر رژیم هیدرولوژیکی حوضه‌های آبخیز است. روش‌های مختلفی جهت پیش‌بینی میزان بارش ارائه شده است که از جمله آنها می‌توان به مدل‌‌‌های سری زمانی و شبکه عصبی مصنوعی اشاره نمود. این مدل‌ها بدون در نظر داشتن مسئله گرمایش جهانی و تغییر اقلیم پارامترهای اقلیمی را پیش‌بینی می‌کنند. هدف از انجام این مطالعه بررسی انطباق نتایج مدل‌های سری زمانی و شبکه عصبی مصنوعی با سناریوهای اقلیمی است. جهت انجام این مطالعه، ابتدا از میان مدل‌های مختلف سری زمانی بهترین مدل در برآورد متغیر بارندگی انتخاب گردید و با استفاده از 50 سال (1961 تا 2010) آمار بارندگی ایستگاه‌های سینوپتیک ارومیه تبریز و خوی، مقدار متغیر مذکور برای 18 سال آینده (2011 تا 2029) تولید شد. در گام بعد با استفاده از شبکه عصبی مصنوعی نیز مقدار بارندگی برای همان سال‌ها پیش‌بینی گردید. در نهایت نتایج این مدل‌ها، با داده‌های تولید شده تحت دو سناریوی B1 و A2 در مدل LARS-WG مقایسه شد. طبق نتایج بدست آمده معلوم شد شبکه عصبی مصنوعی تطابق بیشتری با مدل‌های جهانی اقلیم (GCM) دارد. مدل TS برخلاف سایر مدل‌های مورد استفاده یک روند نزولی برای بارندگی‌ پیش‌بینی کرده است.

کلیدواژه‌ها

ایستگاه سینوپتیک؛ بارندگی؛ تغییر اقلیم؛ مدل‌های اقلیمی؛ LARS-WG

مراجع