مقایسه روشهای یادگیری ماشین در انتخاب پیشبینیکنندههای مدلهای گردش عمومی جو-اقیانوسی برای ریزمقیاسنمائی دمای بیشینه (مطالعه موردی: بیرجند) | ||
| آب و خاک | ||
| مقاله 9، دوره 37، شماره 1 - شماره پیاپی 87، فروردین و اردیبهشت 1402، صفحه 129-143 اصل مقاله (2.38 M) | ||
| نوع مقاله: مقالات پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22067/jsw.2022.76605.1166 | ||
| نویسندگان | ||
| مهدی امیرآبادی زاده* 1؛ مهدیه فروزانمهر2؛ مصطفی یعقوب زاده3؛ سعیده حسین ابادی4 | ||
| 1دانشگاه بیرجند | ||
| 2دانشجوی دکتری منابع آب گروه مهندسی آب دانشگاه بیرجند | ||
| 3گروه علوم ومهندسی آب دانشگاه بیرجند | ||
| 4دانشجوی دکتری منابع اب گروه مهندسی آب دانشگاه بیرجند | ||
| چکیده | ||
| افزایش غلظت گازهای گلخانهای در اتمسفر باعث تغییرات زیادی در مؤلفههای اقلیمی کره زمین شده است که این تغییرات در پارامترهای اقلیمی به صورت افزایشی یا کاهشی است. امروزه تغییر اقلیم یکی از چالشهای بشر در بهرهبرداری و مدیریت منابع آب است، همچنین شرایط کنونی آب و هوای جهانی نشان دهنده افزایش خطرات ناشی از پدیده خشکی در بسیاری از مناطق جهان در آینده است. مدلهای گردش کلی جوی یکی از مهمترین و پرکاربردترین روشها در مطالعات تغییرات اقلیمی در مقیاس منطقهای میباشد. یکی از اولویتهای اصلی ریزمقیاسنمایی آماری انتخاب پیشبینیکنندهها به عنوان ورودی به مدل ریزمقیاسنمایی در پژوهش میباشد. برای انتخاب پیشبینیکنندههای مهم از بین 26 متغیر جو بالا، از چهار الگوریتم یادگیری ماشین شامل لاسو، ستیغی، GBM، SPSA در ریزمقیاسنمایی آماری دمای بیشینه در ایستگاه بیرجند استفاده گردید و عملکرد این روشها با سه شاخص نش-ساتکلیف نسبی، کلینگ-گوپتا و بازده حجمی در بخش صحتسنجی مورد بررسی قرار گرفت. نتایج نشان داد که بیشترین میزان اهمیت برای مؤلفه سرعت نصفالنهاری نزدیک سطح و کمترین مقدار آن در مؤلفه سرعت مداری در ارتفاع 500 هکتو پاسکال میباشد که مقادیر آن بهترتیب 2/73% و 15% تعیین شد. همچنین نتایج شاخصهای ارزیابی عملکرد نش- ساتکلیف نسبی و کلینگ-گوپتا، نشان دادند که الگوریتم SPSA دارای عملکرد بهتری از سایر الگوریتمها درانتخاب پیشبینیکنندهها و به تبع آن ریزمقیاسنمائی دمای بیشینه میباشد. مقایسه میانگین و واریانس خروجی ریزمقیاس شده توسط الگوریتمهای مورد استفاده و دادههای مشاهداتی در بخش صحتسنجی نشان داد که الگوریتمSPSA نسبت به سایر الگوریتمها در باز تولید میانگین و واریانس دمای بیشینه مشاهداتی در ایستگاه سینوپتیک بیرجند دارای توانایی بیشتری میباشد. | ||
| کلیدواژهها | ||
| الگوریتم یادگیری ماشین؛ پیش بینی کننده؛ شهرستان بیرجند؛ مدل گردش عمومی جو- اقیانوس | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 5,191 تعداد دریافت فایل اصل مقاله: 2,179 |
||