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

Document Type : Research Paper

Authors

1 Sari Agricultural Science and Natural Resources University

2 Sari Agricultural Sciences & Natural Resources University

3 Associated Professor of Sari Agricultural Sciences and Natural Resources University

Abstract

     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.

Keywords

References

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.
Irrigation Sciences and Engineering
Volume 40, Issue 2
September 2017
Pages 59-73

Files

History

  • Receive Date: 09 December 2014
  • Revise Date: 24 September 2017
  • Accept Date: 13 December 2015
  • Publish Date: 23 August 2017

Share

How to cite

Statistics