@article { author = {Asakereh, Hossein and Hesami, Narges}, title = {Assessing the Application of Artificial Neural Networks and SDSM Models to Simulate the Minimum and Maximum Temperatures at Isfahan Station}, journal = {The Journal of Geographical Research on Desert Areas}, volume = {6}, number = {2}, pages = {133-158}, year = {2019}, publisher = {Yazd University}, issn = {2345-332X}, eissn = {2588-7009}, doi = {10.29252/grd.2018.1476}, abstract = {With regard to climate change and global warming, predicting maximum and minimum temperatures, as one of the most important climate parameters, provide planners with the opportunity to plan and take the necessary measures when needed. In this research, the SDSM and ANN methods were used to model and simulate the maximum and minimum temperature data at a climatological station in Isfahan. The NCEP center data were used as predictor variables to calibrate and evaluate the model. Also, HadCM data were used under the two scenarios A2 and B2 to simulate the minimum and maximum station temperatures in Isfahan during the periods of 2020-2040, 2041-2070 and 2071-2099. The results showed that the maximum and minimum temperatures will increase significantly. Indeed, as compared to the base period, until 2099, the average annual minimum and maximum temperatures will rise for 2 or 3 degrees centigrade in both models based on scenario B2.}, keywords = {Modeling,SDSM,Artificial neural network,Temperature,Isfahan}, title_fa = {ارزیابی کاربرد مدل های شبکه عصبی مصنوعی و SDSM به منظورشبیه سازی دمای کمینه و بیشینه ایستگاه اصفهان}, abstract_fa = {با توجه به تغییرات اقلیمی و گرمایش جهانی، پیش­بینی دمای بیشینه و کمینه که از مهم‌ترین پارمترهای اقلیمی است، فرصت مناسبی را برای برنامه­ریزی و ارائه تمهیدات لازم در اختیار برنامه­ریزان قرار می‌دهد. در این پژوهش با استفاده از مدل ریزگردانی آماری دینامیک (SDSM) و مدل ریزگردانی براساس شبکه عصبی مصنوعی (ANN) بیشینه و کمینۀ دمای ایستگاه اصفهان شبیه­سازی شد. در این راستا از داده­های مرکز ملی پیش‌بینی محیطی (NCEP) به عنوان متغیرهای پیش­بین جهت واسنجی و ارزیابی مدل استفاده شد و از داده­های HadCM3 تحت دو سناریوی A2 و B2 جهت شبیه­سازی دمای کمینه و بیشینۀ ایستگاه اصفهان طی سه دوره زمانی 2016-2040، 2041-2070 و 2071-2099 استفاده شد. نتایج نشان داد که دمای بیشینه و کمینه طی دوره‌های یاد شده افزایش چشم‌گیری خواهند داشت. به گونه­ای که بر اساس سناریوی B2 و در هر دو مدل شبکه عصبی و SDSM تا سال 2099 نسبت به دوره پایه، میانگین سالانه دمای کمینه 38/2 و 22/3 درجه و دمای بیشینه 43/3 و 22/4 درجه سلسیوس افزایش خواهد یافت. بر اساس این پژوهش، مدل شبکه عصبی مصنوعی نتایج قابل قبول­تری را نشان داد.}, keywords_fa = {مدلسازی,SDSM,شبکه عصبی مصنوعی,دما,اصفهان}, url = {https://grd.yazd.ac.ir/article_1476.html}, eprint = {https://grd.yazd.ac.ir/article_1476_7b86a7f96c00acce2152876b1e048307.pdf} }