نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه علوم کشاورزی و منابع طبیعی ساری

2 دانشیار دانشگاه علوم کشاورزی و منابع طبیعی ساری

چکیده

در این پژوهش کوچک مقیاس سازی دما در دشت تجن واقع در استان مازندران انجام گرفت. نتایج مدل­های گردش عمومی جو با مدل اقلیمیHadCM3تحت سناریوی A2به دست آمد. از آنجایی که خروجی مدل­های گردش عمومی جو دارای وضوح مکانی پایینی است می­بایست در سطح منطقه یا حوزه کوچک مقیاس شوند که این کار به روش آماری انجام شد. روش­های 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 (2001-1971) و متغیر­های بزرگ مقیاس NCEP، به عنوان ورودی­های شبکه عصبی و مدل SDSM، شبیه سازی و کوچک مقیاس سازی دمای بیشینه و کمینه در دوره گذشته به منظور تعیین خطای مدل­ها صورت گرفت. بدین منظور از امکانات و توابع موجود در محیط برنامه­نویسی  متلب، بهره گرفته شد. سپس برای ارزیابی عملکرد مدل­ها، از معیار­های آماری از جمله ضریب همبستگی،ضریب تبیین و جذر میانگین مربعات خطا بین مقادیر مشاهداتی و پیش­بینی شده­ی دما استفاده شد. نتایج به­دست 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 می­باشد.

کلیدواژه‌ها

عنوان مقاله [English]

Comparison of Artificial Neural Network (ANN) and SDSM Model to Downscaling of Temperature

نویسندگان [English]

  • majid sheidaeian 1
  • mirkhalegh ziatabar ahmadi 1
  • ramin Fazl ola 2

1 Sari Agricultural Science and Natural Resources University

2 Associated Professor of Sari Agricultural Sciences and Natural Resources University

چکیده [English]

     In this study downscaling of temperature was down in Tajan Plain located in the province of Mazandaran. The result of atmospheric general circulation models was obtained with HadCM3 climate model under scenario A2. Since the output of atmospheric general circulation models has a low locative resolution, should be downscaled in the area or Basin level that it was conducted with statistical method. The statistical methods used included of downscaling SDSM5.5. And artificial neural network model. In this  study, by using the average daily temperature data of Kordkheil Station during the30-year  statistic Period (1971-2001) and the large-scale variables NCEP, as inputs to the neural network and SDSM model, simulation and downscaling was down respectively of the maximum and minimum temperature in the last period to determine models error. To this end were used of the features and functions available in the programming software MATLAB. Then To evaluate the performance of the models, were used the statistical criteria including of correlation coefficient, coefficient of declaration and root mean square error between observed and predicted values ​​of temperature. The obtained results show the appropriate performance of SDSM model for downscaling temperature Than the ANN model. So that the error percentage of SDSM model is lower and the correlation coefficient is more than the ANN model. The best Structure of neural network to simulate of maximum temperature is perceptron model with four hidden layer with the 5-5-6-6 architecture and for the minimum temperature Variable is perceptron model with three hidden layer with 5.3.1 architecture.

کلیدواژه‌ها [English]

  • Province of Mazandaran
  • Hadcm3 model
  • MATLAB
  • Atmospheric General Circulation Model

1-    اسفندیاری درآباد، ف. حسینی، ا. آزادی مبارکی، م. حجازی زاده، ز. 1389. پیش­بینی میانگین دمای ماهانه ایستگاه سینوپتیک سنندج با استفاده از مدل شبکه عصبی مصنوعی پرسپترون چند لایه (MLP). فصلنامه علمی- پژوهشی انجمن جغرافیای ایران. دوره جدید. 8(27): 65-45.

 

2-    اصغری مقدم، الف. نورانی، و. و ندیری، ع. 1387. مدل سازی بارش دشت تبریز با استفاده از شبکه­های عصبی مصنوعی. مجله دانش کشاورزی دانشگاه تبریز. 18(1): 15-1.

 

3-    اصلاح، پ. 1383. آنالیز برگشتی در آزمایش SASWبا استفاده از شبکه­های عصبی مصنوعی. پایان نامه کارشناسی ارشد عمران، دانشکده فنی  دانشگاه ارومیه.

 

4-    تشنه لب، م. و منشی، م. 1389. پیش بینی اقلیمی پارامتر­های هواشناسی با استفاده از شبکه­های عصبی- فازی بر اساس آموزش پارامتر­های بخش تالی. صفحه 8.  سومین کنفرانس منطقه­ای تغییر اقلیم. دانشگاه اصفهان.

 

5-    حسینی، س الف. 1388. برآورد و تحلیل دماهای حداکثر شهرستان اردبیل با استفاده از مدل تئوری شبکه­های عصبی مصنوعی. پایان نامه کارشناسی ارشد جغرافیای طبیعی (اقلیم شناسی). دانشگاه محقق اردبیلی.

 

6-    حلبیان، الف.م. و دارند، م. 1391. پیش­بینی بارش اصفهان با استفاده از شبکه­های عصبی مصنوعی. نشریه تحقیقات کاربردی علوم جغرافیایی. 12(26): 63-47.

 

7-    خورشید دوست، ن. خداشناس، س. و داوری، ک. 1385.  پیش بینی بارش با استفاده از شبکه­های عصبی مصنوعی. دومین کنفرانس مدیریت منابع آب.

 

8-    سلیمانی ننادگانی، م. 1389. بررسی اثر تغییر اقلیم بر نیاز خالص آبیاری گندم. پایان نامه کارشناسی ارشد، دانشکده مهندسی فناوری و کشاورزی. پردیس کشاورزی و منابع طبیعی دانشگاه تهران.

 

9-    صمدی، س.ز. مساح بوانی، ع ر. و مهدوی، م. 1386. بررسی تآثیر روش­های کوچک مقیاس کردن رگرسیونی بر رژیم سیلاب رودخانه. کارگاه آموزشی تغییر اقلیم ومنابع آب. کمیته ملی آبیاری و زهکشی.

 

10- منهاج، م ب. 1384. مبانی شبکه­های عصبی (هوش محاسباتی). مرکز نشر دانشگاه صنعتی امیرکبیر. چاپ سوم. جلد 1. 712 ص.

 

11- Abhishek K., Kumar A, Ranjan R, and KumarS, 2012. A Rainfall Prediction Model using Artificial Neural Network. IEEE Control and System Graduate Research Colloquium. (ICSGRC).

 

12- Christensen N.S, Wood A.W, Voisin N, Lettenmaier D. P, and Palmer R. N, 2004. The effects of climate change on the hydrology and water resources of the Colorado River basin. Journal of Climatic change, 62 ( 1-3): 337-363.

 

13- Fisseha B, Melesse M, Romano A.M, Volpi E, and Fiori E.A, 2012. Statistical Downscaling of Percipitation and Temperature for the Upper Tiber Basin in Central Italy. I international. journal. of water Sciences. DOI: 10.5772/52890. Vol. 1.3:2012.

 

14-.http//:www.cccsn.ec.gc.ca/?page=dd-gcm

 

15- Hulme T.R, and Lal M, 1999.IPCC-TGCIA.Guidelines on the use of scenario data for climate impact and adaptation assessment.Version 1.Carter Intergovernmental Panel on Climate Change, Task Group on Scenarios for Climate Impact Assessment. 69pp.

 

16- Karamouz M, Fallahi M, Nazif S, and Rahimi Farahani M, 2009. Long Lead Rainfall Prediction Using Statistical Downscaling and Artificial Neural Network Modeling, Transaction A: Civil Engineering, Sharif University of Technology Press, 16(2): pp. 165-172. (Translated in English)

 

17- Khan Ms, Coulibaly P, and Dibike Y, 2006. Uncertainty analysis of statistical downscaling methods, Journalof Hydrology, 319: 357-382.

 

18- Sajikumar N, Thandaveswara B.S, 1999. Non Liner rainfall runoff Model using artificial neural network.Journal of  Haydrology, 216: 32-35.

 

19- Wilby R.L, and Dawson C. W, 2007 .Hadnbook of SDSM4.2-User Manual.Department of Geography.Lancaster Univ, Press,UK. 94Pp.

 

20-Xu C.Y, 1999. From GCMs to river flow: A review of downscaling methods and hydrologic modeling approaches. J.of Progress in physical Geography j.Pp: 23:2. 229-249.