ارزیابی کارایی مدلهای هوش مصنوعی در ریزمقیاس نمایی دما (منطقه مورد مطالعه: استان اردبیل)

پیش بینی بلند و کوتاه مدت آب و هوا از جمله چالش های بسیار مهم محققان آب و اقلیم  بوده است. به منظور فایق آمدن بر این چالش، ابزارهای متعددی از جمله مدل های گردش عمومی جوی-اقیانوسی، سناریوهای پیش بینی و مدل های ریزمقیاس نمایی توسعه و استفاده شده است. این ابزارها با ایجاد همبستگی بین داده های بزرگ مقیاس مدل های گردش عمومی و داده های کوچک مقیاس سینوپتیک، به ریزمقیاس نمایی سناریوهای پیش بینی می کنند.

در این مطالعه پارامترهای پیش بینی کننده بزرگ مقیاس دوره آماری 1961 تا 2003 از پایگاه داده مراکز ملی پیش بینی محیط زیست (NCEP) ، داده های بزگ مقیاس سناریوهای پیش بینی A1B و A2 مدل HadCM3 دوره آماری 2001 تا 2100 از مرکز  ارزیابی و مدلسازی اقلیم کانادا موسوم به CCCma، و داده های سینوپتیک هواشناسی ایستگاه های اردبیل از سازمان هواشناسی دریافت شده است. در این مطالعه سه روش (SDSM)، حداقل مربعات ماشین بردار پشتیبان (LS-SVM) و پرسپترون چند لایه (MLP) برای ریزمقیاس نمایی، و از سنجنده های آماری CC، MSE، RMSE، NMSE، Nash-Sutcliffe، MAE و دیاگرام تیلور به منظور ارزیابی کارایی روش های ریز مقیاس نمایی مورد استفاده قرار گرفت.

نتایج و بحث:

 نتایج نشان داده است که مدل MLP بر اساس میانگین ایستگاه ها بهترین نتیجه را با مقادیر (CC=0/85)، (NMSE=0/63)، (NSH=0/73) و (MAE=0/52) کسب کرده و در رتبه های دوم و سوم به ترتیب مدل های LS-SVM و SDSM قرار گرفته اند. دیاگرام تیلور نیز مدل SDSM را ضعیف ترین مدل شناسایی و نتایج دو مدل LS-SVM و MLP را با اختلاف کمی با یکدیگر به عنوان مدل های برتر معرفی کرد. بر اساس نتایج ریزمقیاس نمایی، تمامی سناریوهای پیش بینی افزایش دمای میانگین روزانه تا سال 2100 در تمامی ایستگاه های مورد مطالعه را پیش بینی کرده اند.

بر اساس نتایج مطالعه، در تمامی سناریوهای پیش بینی و بر اساس تمامی روش های ریز مقیاس نمایی، افزایش دمای میانگین روزانه پیش بینی شده است، لذا لازم است تا در تهیه سیاست های توسعه ای و محیط زیستی این موضوع در نظر گرفته بشود.