ارزیابی خطا و عدم قطعیت در ریزمقیاس گردانی SDSM و شبکه عصبی مصنوعی (برخی از ایستگاه‌های شمالی کشور)

در دهه‌های گذشته در نتیجه فعالیت‌های انسانی و طبیعی، میزان گاز‌های گلخانه‌ای در اتمسفر افزایش یافته و در نتیجه، دمای کره زمین روند افزایشی به خود گرفته است. برای مدیریت منابع آب، کشاورزی و در نتیجه ایجاد امنیت غذایی نیاز به آگاهی از وضعیت اقلیمی دوره آتی است که در حال حاضر معتبر‌ترین ابزار برای تولید سناریو‌های اقلیمی، مدل‌های سه بعدی جفت ­شده اقیانوس-اتمسفر گردش عمومی جو است. برای استفاده از این داده‌ها لازم است به­وسیله تکنیک‌های مختلف در سطوح ایستگاهی ریزمقیاس ­گردانی شوند. مدل­های مختلفی در جهت ریز­مقیاس­ گردانی وجود دارد که هر یک دارای معایب و مزایایی هستند. هدف از انجام مطالعه، مقایسه دو روش خطی و غیرخطی ریز­مقیاس ­گردانی است. در روش خطی، از مدل SDSM و در روش غیرخطی به کمک برنامه­نویسی در نرم‌افزار متلب انجام پذیرفت. برای بررسی خطا از میانگین خطا ماهانه و سالانه و برای مقادیر حدی از واریانس و برای بررسی عدم قطعیت از آزمون من­ویتنی در سطح 95 درصد استفاده شد. نتایج نشان داد که در بررسی میانگین ماهانه به­ترتیب در ایستگاه قائم‌شهر، بابلسر، قرآن طالار و بند­پی در مدل SDSM به‌­ترتیب 0.75، 12، 11 و هفت، در مدل شبکه عصبی مصنوعی سه، دو، 26 و چهار و در میانگین سالانه به­ترتیب نه، 146، 141 و 87 در مدل SDSM و در مدل شبکه عصبی مصنوعی 45، 32، 321، 48 میلی­‌متر خطا (افزایشی و کاهشی) وجود دارد. نتایج عدم قطعیت در ایستگاه‌های قائم‌شهر، بابلسر، قرآن طالار و بندپی برای 12 ماه هر ایستگاه در مدل SDSM به­‌ترتیب هشت، سه، شش و چهار و در شبکه عصبی مصنوعی به­‌ترتیب چهار، دو، دو و سه پذیرفته شد. در مطالعات تغییر اقلیم بر رواناب و عدم قطعیت و زمانی که داده کم وجود دارد، باید از مدل SDSM و در زمانی که بررسی سیلاب و برآورد جریان کمینه و بیشینه هدف مطالعه است، بهتر است، از مدل شبکه عصبی مصنوعی استفاده کرد.