مقایسه روشهای شبکه‌ی عصبی مصنوعی و sdsm در ریزمقیاس کردن اندازه‌ی بارش سالانهی شبیه‌سازی شده با hadcm3 (مطالعه‌ی موردی: کرمان، راور و رابر)

امروزه این باور وجود دارد که فعالیتهای انسانی، از جمله تغییر در پوشش و کاربری اراضی، موجب افزایش غلظت گاز‌های گلخانه‌ای می‌گردد، که پیامد آن برهم خوردن توازن کارمایه، گرم شدن اتمسفر، و در نهایت پدیده ی تغییر اقلیم می‌باشد. پیش‌بینی بارندگی یکی از مهمترین مسائل در برنامه‌ریزی و مدیریت منابع آب می‌باشد. در این پژوهش، اندازه ی بارندگی ایستگاههای کرمان، راور و رابر با استفاده از خروجیهای شبیهhadcm3 ، تحت نمایشنامه ی a2، و از طریق شبیه‌های ریز مقیاس کننده ی sdsm و شبکه ی عصبی مصنوعی، برای سه دوره ی 2039-2010، 2069-2040 و 2099-2070 میلادی پیش‌بینی شده است. ابتدا دوره ی آماری 20011971، به عنوان دوره ی پایه انتخاب شد. در ادامه، با توجه به معیارهای آماری، نتایج حاصل از دو شبیه مورد ارزیابی و مقایسه قرار گرفتند. یافته‌ها بیانگر عملکرد بالاتر شبیه شبکه ی عصبی در ایستگاههای کرمان و راور می‌باشند. اندازه ی بارندگی سالانه در ایستگاههای کرمان، راور و رابر تا سال 2099، در شبیه شبکه ی عصبی به ترتیب 86/12، 68/11 و %39/11 و در شبیه sdsm 89/0، 48/18 و %55/1 نسبت به دوره ی پایه کاهش می یابند.

Comparison of Artificial Neural Network and SDSM Methods in the Downscaling of Annual Rainfall in the HadCM3 Modelling (Case study: Kerman, Ravar and Rabor)

Nowadays, it is believed that anthropogenic activities, such as changes in land use and deforestation, have resulted in atmospheric concentrations of greenhouse gases. One consequence of this ruinous activity, is an alteration of the energy balance that tends to warm the atmosphere that has resulted in climate change. Precipitation forecast is one of the most important element in water resources management and planning. In this study, precipitation depth of Kerman, Ravar and Rabor Stations have been predicted using the HadCM3 model outputs under the A2 scenario, SDSM downscaling models and artificial neural network, for three periods: 20102039, 20402069 and 20702099. Precipitation data for the 1971 2001 period were selected as the base one. The results obtained by using the two models were evaluated and compared according to the statistical criteria. The artificial neural network model showed superior performance for the Kerman and Ravar stations. Annual precipitation of Kerman, Ravar and Rabor stations by 2099, using the AMM model decreases by 12.86, 11.68, and 11.39 percentage points, respectively. These are for 0.89, 18.48, and 1.55 percentage points, respectively, for the same year.