مقایسه مدل شبکه عصبی مصنوعی (ann) و sdsm در کوچک مقیاس سازی دما

در این پژوهش کوچک مقیاس سازی دما در دشت تجن واقع در استان مازندران انجام گرفت. نتایج مدل های گردش عمومی جو با مدل اقلیمیhadcm3تحت سناریوی a2به دست آمد. از آنجایی که خروجی مدل های گردش عمومی جو دارای وضوح مکانی پایینی است می بایست در سطح منطقه یا حوزه کوچک مقیاس شوند که این کار به روش آماری انجام شد. روش های آماری مورد استفاده شامل مدل کوچک مقیاس سازی sdsm5.5.1 و مدل شبکه عصبی مصنوعی است. در این پژوهش، با استفاده از اطلاعات میانگین دمای روزانه ایستگاه کردخیل در طول دوره آماری 30 ساله (20010-1971) و متغیر های بزرگ مقیاس ncep، به عنوان ورودی های شبکه عصبی و مدل sdsm، شبیه سازی و کوچک مقیاس سازی دمای بیشینه و کمینه در دوره گذشته به منظور تعیین خطای مدل ها صورت گرفت. بدین منظور از امکانات و توابع موجود در محیط برنامه نویسی  متلب، بهره گرفته شد. سپس برای ارزیابی عملکرد مدل ها، از معیار های آماری از جمله ضریب همبستگی،ضریب تبیین و جذر میانگین مربعات خطا بین مقادیر مشاهداتی و پیش بینی شده ی دما استفاده شد. نتایج به دست آمده نشان دهنده کارآیی مناسب مدل sdsmبرای کوچک مقیاس سازی دما نسبت به مدل شبکه عصبی مصنوعی  است. به طوری که درصد خطای مدل sdsmکمتر از شبکه عصبی  و ضریب همبستگی آن بیشتر است.همچنین بهترین ساختار شبکه عصبی برای شبیه سازی دمای بیشینه مدل پرسپترون چهار لایه پنهان با معماری 6-6-5-5 و برای متغیر دمای کمینه مدل پرسپترون سه لایه پنهان با معماری 1-3-5 می باشد.