کاربرد مدل جنگل تصادفی در ریزمقیاس سازی بارندگی کرمانشاه تحت سناریو اجتماعی-اقتصادی ssp585 گزارش ششم تغییر اقلیم

در پژوهش حاضر، دقت مدلهای گردش عمومی گزارش ششم تغییر اقلیم در شبیه سازی بارندگی ماهانه ی منطقه مطالعاتی ایستگاه هواشناسی کرمانشاه مورد ارزیابی قرارگرفته است. مدلهای مورداستفاده canesm5 / mri-esm2-0 / miroc6 هستند. برای ریزمقیاس نمایی خروجی های سه مدل گردش عمومی cmip6 از مدل یادگیری ماشین(ml)، شامل مدل جنگل تصادفی ( randon forest ) استفاده میشود. مدلهای کاهش مقیاس مبتنی بر یادگیری ماشین (ml) همچنین، برای پیشبینی بارندگی ماهانه برای آینده نزدیک (2026 تا 2050) ، آینده میانه ( 2051 تا 2075 ) و آینده دور( 2076 تا 2100 ) برای سناریو( spp5 ) استفاده شده اند. اندازه گیریهای تاریخی( 1990 - 2014) و مشاهده شده( 1990 - 2017) بارندگی ماهانه در یک ایستگاه کرمانشاه به دو بخش جهت آموزش و آزمودن مدل تقسیم میشوند. نتایج بررسی رتبه بندی مدلهای اقلیمی بر اساس توانایی آنها در تصویرسازی های اقلیمی نشان داد که مدلهای برتر بسته به اقلیم نواحی مختلف، متفاوت هستند. با بررسی روند تغییرات مدل rf هر سه سناریو مدل پیشبینی canesm5 بیشترین شباهت را با مدل rf دارد و پیش بینی های داده بعد از یزمقیاس نمایی مدلهای canesm5, mri-esm2-0, miroc6 برای منطقه موردمطالعه برای آینده بارندگی ماهانه تا سال 2100 کاهش 32 درصدی بارندگی نشان می دهد