مقایسه مدل های سری زمانی و شبکه عصبی با نتایج سناریوهای انتشار در پیش بینی بارندگی

بارش از مهمترین پارامترهای اقلیمی اثرگذار بر رژیم هیدرولوژیکی حوضه های آبخیز است. روش های مختلفی جهت پیش بینی میزان بارش ارائه شده است که از جمله آنها می توان به مدل های سری زمانی و شبکه عصبی مصنوعی اشاره نمود. این مدل ها بدون در نظر داشتن مسئله گرمایش جهانی و تغییر اقلیم پارامترهای اقلیمی را پیش بینی می کنند. هدف از انجام این مطالعه بررسی انطباق نتایج مدل های سری زمانی و شبکه عصبی مصنوعی با سناریوهای اقلیمی است. جهت انجام این مطالعه، ابتدا از میان مدل های مختلف سری زمانی بهترین مدل در برآورد متغیر بارندگی انتخاب گردید و با استفاده از 50 سال (1961 تا 2010) آمار بارندگی ایستگاه های 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 سال ها پیش بینی گردید. در نهایت نتایج این مدل ها، با داده های 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 مدل های جهانی اقلیم (GCM) دارد. مدل TS برخلاف سایر مدل های مورد استفاده یک روند نزولی برای بارندگی پیش بینی کرده است.