کاربرد رویکرد هوش مصنوعی در مطالعة تاثیر محرکهای بزرگ مقیاس آب وهوایی بر بارش بلوچستان پاکستان

استان بلوچستان در کشور پاکستان اغلب به دلیل بارندگی کم در معرض خشکسالی‌های شدید قرار دارد. چندین نوع محرک آب‌وهوایی بزرگ‌ مقیاس (lscd) به دلیل تاثیرشان بر بارندگی در سراسر جهان شناخته شده‌اند، اما در منطقة بلوچستان مطالعاتی در این زمینه وجود ندارد. این مطالعه با هدف شناسایی lscdهای معنا‌دار در بلوچستان و بهبود مهارت پیش‌بینی بارش ماهانه با استفاده از تجزیه و تحلیل مولفة اصلی (pca)، شبکة عصبی مصنوعی (ann)، شبکة عصبی منظم‌شدة بیزین (brnn) و تحلیل رگرسیون چندگانه (mra) انجام شد. lscdهای 12ماهه مانندnino1+2 ، nino3 ، nino3.4، nino4، qboدر 30 و 50 هکتوپاسکال (qboi و qboii)، دمای سطح دریا (sst)، دمای هوا (t2m)، ارتفاعات ژئوپتانسیل 500 و 850 هکتوپاسکال، سرعت مداری (500 u) و نصف‌النهاری (500v و850v)، شار گرمای نهان و محسوس (lhfol و shfol) و رطوبت ویژه در سطح (ssh) بررسی شدند. همچنین از مجموعه داده‌های سیستم جهانی جمع‌آوری داده‌های زمین (gldas)، اندازه‌گیری بارندگی استوایی (trmm)، merra2، noaa و hadisst استفاده شد. نتایج نشان داد lscdهای معنا‌دار در سطح اطمینان 99% شامل ssh، sst، lhfol، shfol، t2m، u500، nino3.4 و nino4 بودند. در طول دورة آزمون، در مقایسه با مدل‌های mr با ضریب همبستگی 0.15 تا 0.49 و مولفه‌های اصلی با ضریب همبستگی 0.16 تا 0.43، مدل‌های ann و brnn به ترتیب مهارت‌های پیش‌بینی بهتری با ضرایب همبستگی 0.40 تا 0.74 و 0.34 تا 0.70 داشتند. نتایج بیانگر توان مدل‌های ann و brnn در پیش‌بینی بارش ماهانة بلوچستان با استفاده از lscdهای دارای تاخیر است.

investigating the application of artificial intelligence approaches for studying the impacts of large-scale climate drivers on precipitation in balochistan, pakistan

the balochistan province of pakistan is mostly affected by severe drought events due to little amount of precipitation. “several large scale climate drivers (lscds) are known for their effects on precipitation worldwide but studies in the region are missing; a wide variety of lscds and lagged associative information”.the current study aimed to identify the significant lscds in the balochistan province of pakistan and improve the prediction skill of monthly precipitation by employing the principal component analysis, artificial neural network (ann), bayesian regularization neural network (brnn), and multiple regression (mr) analysis using the 12 months lagged lscds such as nino1+2, nino3, nino3.4, nino4, qbo at 30 and 50hpa (qboi and qboii), sea surface temperature (sst), 2m air temperature (t2m), 500hpa and 850hpa geopotential heights (h500 and h850), 500hpa zonal velocity (u500), 500hpa and 850hpa meridional velocity (v500 and v850), latent and sensible heat fluxes over land (lhfol and shfol), and surface specific humidity (ssh). to collect the data, global land data assimilation system, tropical rainfall measuring mission, merra2, noaa, freie university berlin, and hadisst datasets were used. the results of the study showed that significant lscds with a 99% confidence level were ssh, sst, lhfol, shfol, t2m, u500, nino3.4, and nino4. during the test period, compared with mr models of 0.15 to 0.49 and principal components of 0.16 to 0.43, the ann and brnn models had better predictive skills with correlation coefficients of 0.40 to 0.74 and 0.34 to 0.70, respectively. it can be concluded that the ann and brnn models enable us to predict monthly precipitation in the balochistan region with lagged lscds.