تخمین فواصل پیش‌بینی در ریزمقیاس‌نمایی مدل‌ گردش عمومی جو بر پایه شبکه عصبی

در این مطالعه پیش‌بینی نقطه‌ای و فواصل پیش‌بینی ریزمقیاس نمایی مدل‌های گردش عمومی(gcm) با استفاده از شبکه عصبی مصنوعی، برای بارش ماهانه و میانگین دمای ماهانه دو ایستگاه )تبریز و اردبیل در شمال غربی ایران( مورد ارزیابی قرار گرفته است. فواصل پیش‌بینی به وسیله روش جدید حد بالا و پایین (lube) محاسبه می‌شوند، که در آن شبکه عصبی با دو خروجی برای تخمین حدود پیش‌بینی ساخته شده است. همچنین روش کلاسیک بوت‌استرپ، روشی برای ارزیابی عدم قطعیت پیش‌بینی مورد استفاده قرار گرفته و نتایج حاصل از دو روش مقایسه شده است.بنابراین دقت فواصل پیش‌بینی به وسیله دو معیار همگرایی فواصل پیش‌بینی و عرض فواصل، کمیت‌سنجی شده است. سه gcm،can-esm2 ,bnu-esm ,inm-cm4 و ترکیب آنها در این مطالعه استفاده شده است. چهار نقطه‌ی شبکه بر روی هر یک از دو ایستگاه تبریز و اردبیل در شمال غربی ایران، برای ارزیابی فواصل پیش‌بینی ریزمقیاس‌نمایی بارش ماهانه و دما در نظرگرفته شده است. مقایسه بین نتایج دو مدل نشان داده است که روش lube، قابلیت اطمینان بیشتری نسبت به بوت استرپ دارد. عرض فواصل پیش‌بینی و احتمال ‌همگرایی، به ترتیب 10% تا 40% کمتر و 2% تا 10% بیشتر از روش بوت‌استرپ برای gcm بوده است. ترکیب gcmها به نتایج دقیق‌تری منجر شده است و عرض فواصل پیش‌بینی و احتمال‌ همگرایی، به ترتیب 10% تا 60% کمتر و 2% تا 20% بیشتر از مدل‌های تکی gcm بوده است.

Estimation of Prediction Interval in ANN-based GCM Downscaling

The General Circulation Model (GCM) is one of the most widely used tools for weather forecasting and assessing the impact of the climate change on the weather parameters. In this study, statistical downscaling of GCMs were applied via Artificial neural network (ANN). As the classic ANN method (point prediction), conveys no information about the accuracy of the prediction, so prediction intervals were used for quantifying the accuracy of downscaling via ANN. For calculating the prediction intervals, novel Lower Upper bound estimation method was used, in which an ANN with two outputs was used to estimate the bounds. Also, Bootstrap method as a classic technique for assessing uncertainty of ANN was used to further examine the proposed LUBE method. In this way, the accuracy of PIs was quantified by coverage and width criteria. Three GCMs, CanESM2, BNUESM, INMCM4 and ensembleGCM (ensemble of them) were used in four grid points around each of station for evaluating ANNbased downscaling of precipitation and temperature parameters. Comparison between the results of two methods indicated that LUBE method could lead to more reliable results than the Bootstrap method. PIs width and coverage probability were 10% to 40% lower and 2% to 10% higher than the Bootstrap method for different GCMs, respectively. EnsembleGCM led to more accurate results so that computed PIs width and coverage probability were 10% to 60% lower and 2% to 20% higher than those for the single GCMs.