کاربرد مدل شبکه عصبی مصنوعی در خرد مقیاس نمودن برون داد های مدل GCM برای پیش بینی بارش در پهنه جنوبی ایران

نوع مقاله : مقالات پژوهشی

نویسندگان

• نوشین احمدی باصری ¹
• امین شیروانی ²
• سید محمد جعفر ناظم السادات ³

¹ بوعلی سینا همدان

² دانشگاه شیراز

³ دانشکده کشاورزی دانشگاه شیراز

https://doi.org/10.22067/jsw.v0i0.21222

چکیده

در این مطالعه، شبکه های عصبی مصنوعی و مدل های رگرسیونی برای خرد مقیاس نمودن خروجی های شبیه سازی شده مدل های گردش عمومی جو استفاده شدند. مجموعه داده های شبیه سازی شده بارش برای محدوده º18/25 تا º51/34 شمالی و º45 تا º60 شرقی، ارتفاع ژئو پتانسیل در سطح 850 میلی بار و باد مداری در سطح 200 میلی بار برای °56/12 تا °25/43 شمالی و °68/19 تا °87/61 شرقی به عنوان پیشگو کننده ها از مدلGCM ECHAM5 برای دوره 2005- 1960 استخراج شدند. بارش ماهانه دیده بانی شده ایستگاه های آبادان، آباده، اهواز، بندرعباس، بوشهر، شیراز و فسا برای دوره 2005-1960 به عنوان پیشگو شونده ها استخراج شدند. مؤلفه های اصلی داده های شبیه سازی شده استخراج و شش مؤلفه اصلی به عنوان ورودی مدل های شبکه عصبی مصنوعی و رگرسیون چند گانه در نظر گرفته شدند. همچنین ترکیب مجموعه داده های شبیه سازی شده به عنوان ورودی این مدل ها استفاده شدند. دوره های 2000-1960 و 2005-2001 به ترتیب به عنوان دوره های آموزش و آزمون در شبکه عصبی مصنوعی در نظر گرفته شدند. نتایج ضریب همبستگی پیرسون و جذر میانگین مربعات خطای استاندارد شده نشان داد که در بیشتر مواقع شبکه عصبی مصنوعی دقیق تر از رگرسیون چند گانه، بارش را پیش بینی می کند. برای مقیاس زمانی ماهانه داده های شبیه سازی شده ارتفاع ژئوپتانسیل بهترین پیشگو کننده و برای مقیاس فصلی (زمستان) بهترین پیشگو کننده در مدل شبکه عصبی مصنوعی، مؤلفه های اصلی استاندارد شده داده های شبیه سازی شده بارش می باشد.

کلیدواژه‌ها

• بارش
• پهنه جنوبی ایران
• خرد مقیاس نمودن
• شبکه عصبی مصنوعی
• مدل گردش عمومی جو

20.1001.1.20084757.1394.28.5.16.4

عنوان مقاله [English]

The Application of ANN for Downscaling GCMs Outputs for Prediction of Precipitation in Across Southern Iran

نویسندگان [English]

• Nooshin Ahmadibaseri ¹
• A. Shirvani ²
• mohammad jafar nazemosadat ³

¹ University of Bu-Ali Sina, Hamedan

² Shiraz University

³

چکیده [English]

In this study, the artificial neural networks (ANNs) and regression models were used to downscale the simulated outputs of the general circulation models (GCMs). The simulated precipitation for 25.18 º N to 34.51 º N and 45 º E to 60 º E, geopotential height at 850 mb and zonal wind at 200 mb for 12.56° N to 43.25° N and 19.68° E to 61.87° E data sets as the predictors were extracted from ECHAM5 GCM for the period 1960-2005. The observed monthly precipitation data of Abadan, Abadeh, Ahwaz, Bandar Abbas, Bushehr, Shiraz and Fasa stations as the predictand were extracted for the period 1960-2005. The principal components (PCs) of the simulated data sets were extracted and then six PCs were considered as the input file of the ANN and multiple regression models. Also the combinations of the simulated data sets were used as the input file of these models. The periods 1960-2000 and 2001-2005 were considered as the train and test data in the ANN, respectively. The Pearson correlation coefficient and normalized root mean square error results indicated that ANN predicts precipitation more accurate than multiple regression. For the monthly time scale, the geopotential height is the best predictor and for the seasonal time scale (winter) the simulated precipitation is the best predictor in ANN based standardized precipitation principal components.

کلیدواژه‌ها [English]

• Precipitation
• Across Southern Iran
• Downscaling
• Artificial neural networks
• General Circulation Model

مراجع

1- البرزی م. 1380. آشنایی با شبکه های عصبی. انتشارات دانشگاه صنعتی شریف. تهران.

2- بابائیان ا.، نجفی نیک ز.، زابل عباسی ف.، حبیبی نوخندان م.، ادب ح. و ملبوسی ش. 1388. ارزیابی تغییر اقلیم کشور در دوره 2036-2010 میلادی با استفاده از ریز مقیاس نمایی داده های مدل گردش عمومی جو ECHO-G. مجله جغرافیا و توسعه. 16: 152-135.

3- شیروانی ا. و ناظم السادات م. ج. 1391. پهنه بندی بارش در ایران با استفاده از تحلیل مولفه های اصلی و تحلیل خوشه ای. مجله تحقیقات منابع آب ایران. (1) 8 : 85-81.

4- عباسی ف.، ملبوسی ش.، بابائیان ا.، اثمری م. و برهانی ر. 1389. پیش بینی تغییرات اقلیمی خراسان جنوبی در دوره 2039-2010 میلادی با استفاده از ریز مقیاس نمایی آماری خروجی مدل .ECHO-G نشریه آب و خاک (علوم و صنایع غذایی). (24) 2: 233-218.

5- کوچکی ع.، نصیری م. و کمالی غ. 1386. مطالعه شاخص های هواشناسی ایران در شرایط تغییر اقلیم. مجله پژوهش های زراعی ایران. (5) 1: 142-133.

6- مساح بوانی ع. و مرید س. 1384. اثرات تغییر اقلیم برجریان رودخانه زاینده رود اصفهان. مجله علوم و فنون کشاورزی و منابع طبیعی. (9) 4: 27-17.

7- منهاج م. ب. 1377. هوش محاسباتی «جلد اول» مبانی شبکه های عصبی. چاپ اول. انتشارات مرکز نشر پرفسور حسابی.

8- ناظم السادات م. ج.، بیگی ب. و امین س. 1382. پهنه بندی بارندگی زمستانه استان های بوشهر، فارس و کهگیلویه و بویر احمد با استفاده از روش تحلیل مؤلفه های اصلی. مجله علوم و فنون کشاورزی و منابع طبیعی. (7) 1: 71-61.

9- ناظم السادات م. ج. و شیروانی ا. 1384. پیش بینی دمای سطح آب خلیج فارس با استفاده از رگرسیون چند گانه و تحلیل مؤلفه های اصلی. مجله علوم و فنون کشاورزی و منابع طبیعی. (9)3 : 1-11.

10- Coulibaly P., Dibike Y.B., and Anctil F. 2005. Downscaling precipitation and temperature with temporal neural networks, Journal of Hydrology, 6:483-496.

11- Dibike Y.B., and Coulibaly P. 2006. Temporal neural networks for downscaling climate variability and extremes, Neural Networks, 19:135–144.

12- Ghosh S., and Mujumdar P. P. 2008. Statistical downscaling of GCM simulations to stream flow using relevance vector machine, Advances in Water Resources, 31: 132–146.

13- Hanrahan G. 2011. Artificial Neural Networks in Biological and Environmental Analysis, CRC Press Pub.

14- Hewitson B.C., and Crane R.G. 2006. Consensus between GCM climate change projections with empirical downscaling: Precipitation downscaling over South Africa, International Journal of Climatology, 26: 1315-1337.

15- Junneng L., Tangang F.T., Kang H., Lee W.J., and Seng Y.K. 2010. Statistical downscaling forecasts for winter monsoon precipitation in Malaysia using multi model output variables, Journal of Climate, 23: 17-27.

16- Karamouz M., Fallahi M., Nazif S., and Rahimi Farahani M. 2009. Long lead rainfall prediction using statistical downscaling and artificial neural networks Modeling, Civil Engineering, 6(2): 163-172

17- Ramirez M.C.V., Velho H.F.D.C., and Ferreira N. J. 2005. Artificial neural network technique for rainfall forecasting applied to the Sao Paulo region, Journal of Hydrology, 301:146–162.

18- Smith M. 1993. Neural Networks for Statistical Modeling, Van Nostrand Reinfold Pub.

19- Tomassetti B., Verdecchia M., and Giorgi F. 2009. NN5: A neural network based approach for the downscaling of precipitation fields – Model description and preliminary results, Journal of Hydrology, 367:14–26.

20- Tumbo S.D., Mpeta E., Tadross M., Kahimba F.C., Mbillinyi B.P., and Mahoo H.F. 2010. Application of self-organizing maps technique in downscaling GCMs climate change projections for Same, Tanzania, Physics and Chemistry of the Earth, 35:608-617.

21- Wetterhall F., Halldin S., and Xu C.y. 2005. Statistical precipitation downscaling in central Sweden with the analogue method, Journal of Hydrology, 306:174–19.