كاربرد مدل شبكه عصبي مصنوعي در خرد مقياس نمودن برون داد هاي مدل GCM براي پيش بيني بارش در پهنه جنوبي ايران

آب و خاک  

دوره 28 - شماره 5

نوع مقاله: Original Article
چكيده: در اين مطالعه، شبكه هاي عصبي مصنوعي و مدل هاي رگرسيوني براي خرد مقياس نمودن خروجي هاي شبيه سازي شده مدل هاي گردش عمومي جو استفاده شدند. مجموعه داده هاي شبيه سازي شده بارش براي محدوده °25.18 تا°34.51 شمالي و°45 تا °60 شرقي، ارتفاع ژئو پتانسيل در سطح ۸۵۰ ميلي بار و باد مداري در سطح ۲۰۰ ميلي بار براي °12.56 تا °25.43 شمالي و °19.68 تا °61.87 شرقي به عنوان پيشگو كننده ها از مدلGCM ECHAM۵ براي دوره ۲۰۰۵- ۱۹۶۰ استخراج شدند. بارش ماهانه ديده باني شده ايستگاه هاي آبادان، آباده، اهواز، بندرعباس، بوشهر، شيراز و فسا براي دوره ۲۰۰۵-۱۹۶۰ به عنوان پيشگو شونده ها استخراج شدند. مؤلفه هاي اصلي داده هاي شبيه سازي شده استخراج و شش مؤلفه اصلي به عنوان ورودي مدل هاي شبكه عصبي مصنوعي و رگرسيون چند گانه در نظر گرفته شدند. همچنين تركيب مجموعه داده هاي شبيه سازي شده به عنوان ورودي اين مدل ها استفاده شدند. دوره هاي ۲۰۰۰-۱۹۶۰ و ۲۰۰۵-۲۰۰۱ به ترتيب به عنوان دوره هاي آموزش و آزمون در شبكه عصبي مصنوعي در نظر گرفته شدند. نتايج ضريب همبستگي پيرسون و جذر ميانگين مربعات خطاي استاندارد شده نشان داد كه در بيشتر مواقع شبكه عصبي مصنوعي دقيق تر از رگرسيون چند گانه، بارش را پيش بيني مي كند. براي مقياس زماني ماهانه داده هاي شبيه سازي شده ارتفاع ژئوپتانسيل بهترين پيشگو كننده و براي مقياس فصلي (زمستان) بهترين پيشگو كننده در مدل شبكه عصبي مصنوعي، مؤلفه هاي اصلي استاندارد شده داده هاي شبيه سازي شده بارش مي باشد.
The Application of ANN for Downscaling GCMs Outputs for Prediction of Precipitation in Across Southern Iran
Article Type: Original Article
Abstract: In this study, the artificial neural networks (ANNs) and regression models were used to downscale the simulated outputs of the general circulation models (GCMs). The simulated precipitation for 25.18 º N to 34.51 º N and 45 º E to 60 º E, geopotential height at 850 mb and zonal wind at 200 mb for 12.56° N to 43.25° N and 19.68° E to 61.87° E data sets as the predictors were extracted from ECHAM5 GCM for the period 1960-2005. The observed monthly precipitation data of Abadan, Abadeh, Ahwaz, Bandar Abbas, Bushehr, Shiraz and Fasa stations as the predictand were extracted for the period 1960-2005. The principal components (PCs) of the simulated data sets were extracted and then six PCs were considered as the input file of the ANN and multiple regression models. Also the combinations of the simulated data sets were used as the input file of these models. The periods 1960-2000 and 2001-2005 were considered as the train and test data in the ANN, respectively. The Pearson correlation coefficient and normalized root mean square error results indicated that ANN predicts precipitation more accurate than multiple regression. For the monthly time scale, the geopotential height is the best predictor and for the seasonal time scale (winter) the simulated precipitation is the best predictor in ANN based standardized precipitation principal components.
قیمت : 20,000 ريال