ارزیابی عملکرد روش‌های انتخاب متغیر در ریزمقیاس نمایی بارش روزانه دو اقلیم متفاوت

فرآیند ریزمقیاس نمایی آماری با هدف ارتقای شبیه‌سازی‌های مدل‌های gcms و کاربست نتایج آن‌ها در مقیاس محلی انجام می‌شود. در این بین انتخاب متغیرهای ورودی ریزمقیاس نمایی اولین گام مهم این فرآیند می‌باشد. از آنجا که هدف اصلی ریزمقیاس نمایی بهبود شبیه‌سازی مدل‌های اقلیمی می‌باشد، بسیاری از مطالعات روش‌های متنوعی را برای انتخاب متغیرهای ورودیِ ریزمقیاس نمایی مورد ارزیابی قرار داده‌اند.این مطالعه درنظر دارد تا با استفاده از آزمون‌های مقایسه‌ای جامع، عملکرد شبکه عصبی را در فرآیند ریزمقیاس نمایی بارش روزانه تخت تاثیر چهار روش انتخاب متغیر pca، ca، sra و parca در اقلیم‌های متفاوت مورد ارزیابی قرار دهد. بدین منظور در ابتدا داده‌های مشاهداتی 30 ساله مربوط به ایستگاه‌های بیرجند (اقلیم خشک کویری) و اردبیل (اقلیم سرد- نیمه‌خشک)، حدفاصل سال‌های 2004-1977 گرداوری شد. به‌منظور شبیه‌سازی رفتار مولفه‌های اقلیمی متاثر از پدیده تغییر اقلیم از خروجی مدل canesm2 استفاده شد. بدین ترتیب داده‌های بزرگ مقیاس مدل canesm2 برای هر دو ایستگاه سینوپتیک به منزله متغیرهای ورودی و بارندگی مشاهداتی به عنوان متغیر خروجی درنظر گرفته شد. آزمون‌های مقایسه‌ای شامل شاخص‌های ارزیابی، مقایسه مشخصه‌های آماری، جدول contingency table event جهت تشخیص سری روزهای تر و خشک و مقایسه نموداری توزیع آماری از جمله ابزارهای مورد استفاده در این مطالعه جهت ارزیابی عملکرد روش‌های مختلف انتخاب متغیر می‌باشد. نتایج مطالعه نشان داد که به طور کلی ریزمقیاس نمایی بارش روزانه در تمامی روش‌های انتخاب متغیر در ایستگاه بیرجند دارای عملکرد بهتری نسبت به ایستگاه اردبیل می‌باشد. همچنین نتایج آزمون‌های مختلف نشان داد که روش‌های انتخاب متغیر ca و parca در اقلیم‌های خشک و روش‌ sra در اقلیم سردنیمه‌خشک از عملکرد بهتری برخوردار می‌باشد. بهترین مقادیرشاخص‌های rmse، r و nse برای ایستگاه بیرجند به ترتیب 1.2 میلی‌متر در روز، 0.55 و 0.25 و در ایستگاه اردبیل به ترتیب 1.75 میلی‌متر در روز، 0.14 و 0.013 بدست آمد.ارزیابی روش‌ها در تشخیص درست روزهای تر و خشک در بیرجند نشان داد که دقت روش‌های ca و parca به ترتیب 25 و 22 درصد می‌باشد. این بدان معنی است که روش ca توانسته است 25 روزهای تر را به درستی تر تشخیص دهد.