ارزیابی کارایی مدل شبکه عصبی مصنوعی برای ریزمقیاس‌نمایی و پیش‌بینی روزانه دما تحت سه سناریو اقلیمی در یک ایستگاه هواشناسی کانادا

از آنجا که تغییر اقلیم یکی از مهم‌ترین عامل تهدیدآمیز زندگی بشر در قرن بیست و یکم شناخته‌شده است، پیش‌بینی شرایط اقلیمی آینده در سراسر مناطق کره زمین در راستای مدیریت و برنامه‌ریزی طرح‌های عمرانی امری ضروری است. خروجی‌های مدل‌های گردش عمومی جو به عنوان منبع اصلی شبیه‌سازی اقلیم، داده‌های بزرگ‌مقیاس و فاقد دقت مکانی و زمانی مناسب جهت استفاده در مطالعات ناحیه‌ای هستند. روش ریزمقیاس‌نمایی راهکار رفع این محدودیت‌ها ‌است. در این تحقیق، از داده‌های مشاهداتی دما و پوشش ابر روزانه ایستگاه سینوپتیک مک‌دونالد اتاوا در دوره پایه 2005-1986 و داده‌های مدل اقلیمی canesm2 تحت سه سناریو rcp2.6، rcp4.5 و rcp8.5 در دوره آتی 2100-2081 طبق گزارش پنجم سازمان بین‌المللی تغییر‌اقلیم استفاده گردید. خروجی هریک از سناریو‌های آتی انتشار به کمک مدل شبکه عصبی به مقیاس منطقه‌ای تبدیل شد. نتایج نشان داد ساختار مدل شبکه عصبی مقادیر شاخص‌های rmse و r2 را برای داده‌های تست به ترتیب برابر 66/1 و 99/0 نشان‌ می‌دهد. نتایج حاکی از افزایش 31/2، 95/3 و 12/6 درجه سانتی‌گراد در دمای متوسط روزانه مدل canesm2 تحت هریک از سناریوهای rcp2.6، rcp4.5 و rcp8.5 در طول دوره آتی 2100-2081 نسبت به دوره پایه 2005-1986 است.