ارزیابی کاربرد مدل های شبکه عصبی مصنوعی و SDSM به منظورشبیه سازی دمای کمینه و بیشینه ایستگاه اصفهان

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استاد اقلیم شناسی دانشگاه زنجان، زنجان، ایران

2 دانشجوی دکتری تغییرات آب و هوایی دانشگاه زنجان، زنجان، ایران

چکیده

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.

کلیدواژه‌ها


عنوان مقاله [English]

Assessing the Application of Artificial Neural Networks and SDSM Models to Simulate the Minimum and Maximum Temperatures at Isfahan Station

نویسندگان [English]

  • Hossein Asakereh 1
  • Narges Hesami 2
1 Professor of climatology, University of Zanjan, Zanjan, Iran
2 PhD student of climate change Zanjan University, Zanjan, Iran
چکیده [English]

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.

کلیدواژه‌ها [English]

  • Modeling
  • SDSM
  • Artificial neural network
  • Temperature
  • Isfahan
امیدوار کمال و مهران اژدرپور، (1391)، مقایسه شبکه عصبی مصنوعی و مدل HEC-HMS در برآورد بارش – رواناب در حوضه آبریز رودخانه اعظم هرات، فصلنامه تحقیقات جغرافیایی، شماره4، صص139-160.
آرنس دونالد، (1391)، هواشناسی نوین، محمدرضا بابایی، انتشارات آییژ، چاپ اول، تهران، صص718.
پورنعمت رودسری عادل، کوروش قادری و شهرام کریمی گوغری، (1392)، مدلسازی فرایند بارش – رواناب بااستفاده از روش کنترل گروهی داده­ها و شبکه­های عصبی مصنوعی در حوضه آبخیز پلرود، پژوهشنامه مدیریت حوزه آبخیز، شماره10، صص68-84.
جان آبکار، علی، محمود حبیب نژاد، کریم سلیمانی، هرمزد نقوی، (1392)، بررسی میزان کارایی مدل SDSM در شبیه سازی شاخص های دمایی در مناطق خشک و نیمه خشک، فصلنامه مهندسی آبیاری و آب، سال 4، شماره 2، صص 17-1.
روحی­پناه، فاطمه، سید مجید میررکنی، علیرضا مساح بوانی، (1392)، بررسی تغییرات دما و بارش ایستگاه همدیدی شهرستان یزد در دوره 2040-2011 میلادی به کمک مدل ریزمقیاس نمایی SDSM  اولین همایش ملی جغرافیا، شهرسازی وتوسعه پایدار، ایران، تهران.
رضائی، مریم، محمد نهتانی، علیجان آبکار، معصومه رضائی و مهری میرکازهی ریگی، (1393)، بررسی کارایی مدل ریزمقیاس نمایی آماری (SDSM) در پیش­بینی پارامترهای دمایی در دو اقلیم خشک و فراخشک (مطالعه موردی: کرمان و بم)، پژوهشنامه مدیریت حوزه آبخیز، شماره 10، صص117-131.
سبحانی بهروز، مهدی اصلاحی و ایمان بابائیان، (1396)، مقایسه روش­های ریزمقیاس نمایی مدل­های تغییراقلیم در شبیه­سازی عناصراقلیمی در منطقۀ شمال­غرب ایران، پژوهش­های جغرافیای طبیعی، شماره 2، صص301-325.
صلاحی برومند، فخری سادات فاطمی­نیا و سید محمد حسینی، (1393)، ارزیابی تغییرات اقلیمی آینده استان اصفهان با استفاده از مدل­های BCM2 و HADCM3 در محیط ریزگردان LARS –WG، مطالعات جغرافیایی مناطق خشک، شماره16، صص55-71.
طائی سمیرمی، سیاوش، حمید رضا مرادی، مرتضی خداقلی، (1393)، شبیه‌سازی و پیش‌بینی برخی از متغیرهای اقلیمی توسط مدل چندگانه خطی SDSM و مدل‌های گردش عمومی جو ( حوزه آبخیزبار نیشابور)، فصلنامه انسان و محیط زیست، شماره 28، صص 15-1.
علیجانی بهلول و یوسف قویدل رحیمی، (1384)، مقایسه و پیش­بینی تغییرات دمای سالانه تبریز با ناهنجاری­های دمایی کرۀ زمین با استفاده از روش­های رگرسیون خطی و شبکه­های عصبی مصنوعی، مجله جغرافیا و توسعه، شماره6، صص21-38.
عساکره حسین، (1386)، تغییراقلیم، انتشارات دانشگاه زنجان، چاپ اول، زنجان، صص246.
عساکره حسین، (1391)، مبانی اقلیم‌شناسی آماری، انتشارات دانشگاه زنجان،صص545.
عزیزی قاسم، (1383)، تغییراقلیم، انتشارات نشر قومس، چاپ اول، تهران، صص 269.
عجم­زاده علی و محمودرضا ملائی‌نیا، (1395)، ارزیابی اثرات تغییراقلیم بر رواناب رودخانه فیروزآباد استان فارس، با ریزمقیاس نمایی خروجی مدل­های گردش عمومی جوی به وسیله نرم افزارهای SDSM و LARS-WG، تحقیقات منابع آب ایران، شماره 1، صص95-109.
غلام پورف زهرا، (1393)، بررسی تغییر اقلیم در دوره‌های آتی به کمک مدل SDSM  (مطالعه موردی ایستگاه سینوپتیک شیراز)، کنفرانس ملی علوم و مهندسی محیط زیست، 30-28 بهمن، ایران، اهواز.
قرمز چشمه، باقر، علی اکبر رسولی، مجید رضائی بنفشه، علیرضا مساح بوانی، علی محمد خورشید دوست، (1393)، بررسی اثر عوامل مورفو-اقلیمی بر دقت ریزمقیاس گردانی مدل SDSM نشریه مهندسی و مدیریت آبخیز، شماره2، صص 164-155.
کارآموز محمد، فرید رمضانی و سامان رضوی، (1385)، پیش­بینی بلندمدت بارش با استفاده از سیگنال­های هواشناسی: کاربرد شبکه­های عصبی مصنوعی، هفتمین کنگره بین­المللی مهندسی عمران، ایران، تهران.
منهاج، محمدباقر، (1384)، مبانی شبکه­های عصبی، چاپ دوازدهم، انتشارات دانشگاه صنعتی امیرکبیر، تهران، صص 716.
مظفری غلامعلی، شهاب شفیعی و زهرا تقی­زاده، (1393)، ارزیابی شرایط خشکسالی در استان سیستان و بلوچستان طی (1391-1410) با استفاده از ریزمقیاس نمایی داده­های مدل گردش عمومی جو، فصلنامه علمی – پژوهشی اطلاعات جغرافیایی سپهر، شماره 93، صص101-114.
مالمیر مهسا، ام­البنین محمدرضاپور، سلمان شریف آذری و قاسم قندهاری، (1395)، بررسی اثرات تغییراقلیم بر رواناب قره­سو با استفاده از ریزمقیاس نمایی آماری داده‌های مدل HADCM3 و شبکه عصبی پویا، مجله حفاظت آب و خاک، شماره 3، صص317-326.
Abdullahi, J., Elkiran, G., (2017), Prediction of the future impact of climate change on reference evapotranspiration in Cyprus using artificial neural network., 9th International Conference on Theory and Application of Soft Computing, Computing with Words and Perception, ICSCCW2017, Budapest, Hungary.
Babaeian, I., Tae kwon, W., Soon Im, E., Jamali, J, B., (2004), Climate change assessment over Korea using stochastic weather data. Technical report, Climate Research Lab. Korea Meteorological Administration.
Busuioc, A., Storch,H., Schnur, R., (1998) Verification of GCM-Generated Regional Seasonal Precipitation for Current Climate and of Statistical Downscaling Estimates under Changing Climate Condition,  journal of climate, American Meteorological Society, 12, 272-258.
Branzuela, NE., Faderogao FJF., Pulhin, JM., (2015), Downscaled Projected Climate Scenario of Talomo-Lipadas Watershed,Davao City, Philippines , J Earth Sci Clim Change 2015, 6, 1-10.
 Chellali, M.R., Abderrahim, H., Hamou, A. et al. Environ Sci Pollut Res (2016), Artificial neural network models for prediction of daily fine particulate matter concentrations in Algiers,  Journal of Environmental Science and Pollution Research, July 2016, 23,  14008–14017
Gao., L,Schulz., K, Bernhardt., M, (2014), Statistical Downscaling of ERA-Interim Forecast Precipitation Data in Complex Terrain Using LASSO Algorithm, Advances in Meteorology, 2014, 16 .
Huth., R, (2002), Statistical Downscaling of Daily Temperature in Central Europe, journal of climate, American Meteorological Society, 15, 1731-1742.
Haylock, M, R., Cawley, G, C., Harpham, C., Wilby, R, L., Goodess, C, M., (2006), downscaling heavy precipitation over the united kingdom: a comparison of dynamical and statistical methods and their future scenarios, Int. J. Climatol, 26, 1397-1415.
Karl, T, .R , Wang, W, C., Schlesinger, M, E., Knight,R, W., Potman, D (1990), A method of relating general circulation model simulated climate to the observed local climate, Seasonal statistics, journal of climate, American Meteorological Society, 3, 1053-1079.
 Kidson, W, J., craig, S, T., (1998), A Comparison of Statistical and Model-Based Downscaling Techniques for Estimating Local Climate Variations, journal of climate, American Meteorological Society, 11. 735-753
Kang, B., Kim, Y.D., Lee, J.M., Kim, S, J., (2015), Hydro-environmental runoff projection under GCM scenario downscaled by Artificial Neural Network in the Namgang Dam watershed, Korea, KSCE Journal of Civil Engineering, 19,  434–445.
Liu, L., Liu, Z., Ren, R., Fischer, T., Xu, Y., (2011), Hydrological impacts of climate change in the Yellow River Basin for the 21st century using hydrological model and statistical downscaling model, Quaternary International, 244. 211-220.
Mahmood, R., Babel, M, S., (2014), future changes in extreme temperature events using the statistical downscaling model (SDSM) in the trans-boundary region of the jhelum river basin, weatherandclimateextremes, 5-6, 56–66.
Sajjad khan, M., Coulibaly, P., Dibike, Y., (2006), uncertainty analysis of statistical downscaling methods, journal of hydrology, 319, 357–382.
Shashikanth, K., Madhusoodhanan, C, G., Subimal, G., Eldho, T, I.. Rajendran, K., Murtugudde, R., (2014), comparing statistically downscaled simulations of indian monsoon at different spatial resolutions, journal of hydrology, 519. 3163–3177.
 Themebi, M, J., Gobiet, A., Leuprecht, A., (2011), Empirical statistical downscaling and error correction of daily precipitation from regional climate models, Int. J. Climatol. 31, 1530–1544.
Zorita, E. and Storch, H., (1998), The Analog Method as a Simple Statistical Downscaling Technique:Comparison with More Complicated Methods, journal of climate, American Meteorological Society, 12, 2474-2489.