مقایسه روش های یادگیری ماشین در انتخاب پیش بینی کننده های مدل های گردش عمومی جو-اقیانوسی برای ریزمقیاس نمائی دمای بیشینه (مطالعه موردی: بیرجند)

افزایش غلظت گازهای گلخانه ای در اتمسفر باعث تغییرات زیادی در مولفه های اقلیمی کره زمین شده است که این تغییرات در پارامترهای اقلیمی به صورت افزایشی یا کاهشی است. امروزه تغییر اقلیم یکی از چالش های بشر در بهره برداری 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. مدل های گردش کلی جوی یکی از مهم ترین و پرکاربردترین روش ها در مطالعات تغییرات اقلیمی در مقیاس منطقه ای می باشد. یکی از اولویت های اصلی ریزمقیاس نمایی آماری انتخاب پیش بینی کننده ها به عنوان ورودی به مدل ریزمقیاس نمایی در پژوهش می باشد. برای انتخاب پیش بینی کننده های مهم از بین 26 متغیر جو بالا، از چهار الگوریتم یادگیری ماشین شامل لاسو، ستیغی، GBM، SPSA در ریزمقیاس نمایی آماری دمای بیشینه در ایستگاه بیرجند استفاده گردید و عملکرد این روش ها با سه شاخص نش-ساتکلیف نسبی، کلینگ-گوپتا و بازده حجمی در بخش صحت سنجی مورد بررسی قرار گرفت. نتایج نشان داد که بیشترین میزان اهمیت برای مولفه سرعت نصف النهاری نزدیک سطح و کمترین مقدار آن در مولفه سرعت مداری در ارتفاع 500 هکتو پاسکال می باشد که مقادیر آن به ترتیب 2/73% و 15% تعیین شد. همچنین نتایج شاخص های ارزیابی عملکرد نش- ساتکلیف نسبی و کلینگ-گوپتا، نشان دادند که الگوریتم SPSA دارای عملکرد بهتری از سایر الگوریتم ها درانتخاب پیش بینی کننده ها و به تبع آن ریزمقیاس نمایی دمای بیشینه می باشد. مقایسه میانگین و واریانس خروجی ریزمقیاس شده توسط الگوریتم های مورد استفاده و داده های مشاهداتی در بخش صحت سنجی نشان داد که الگوریتم SPSA  نسبت به سایر الگوریتم ها در باز تولید میانگین و واریانس دمای بیشینه مشاهداتی در ایستگاه سینوپتیک بیرجند دارای توانایی بیشتری می باشد.