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

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. مولفه های اصلی داده های شبیه سازی شده استخراج و شش مولفه اصلی به عنوان ورودی مدل های شبکه عصبی مصنوعی و رگرسیون چندگانه 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 چندگانه، 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، مولفه های اصلی استاندارد شده داده های شبیه سازی شده بارش می باشد.