الناز شرقی - استادیار/ گروه عمران آب، دانشکده مهندسی عمران، دانشگاه تبریز.
وحید نورانی - استاد/ گروه عمران آب، دانشکده مهندسی عمران، دانشگاه تبریز.
ناردین جباریان پاک نژاد - دانشجوی کارشناسی ارشد مهندسی و مدیریت منابع آب/ گروه عمران آب، دانشکده مهندسی عمران، دانشگاه تبریز.

یکی از ابراز پرکاربرد در پیش بینی آب و هوا و بررسی تاثیرات تغییر اقلیم بر روی پارامترهای آب وهوا مدل گردش عمومی (GCM) می باشد. در این مطالعه ریزمقیاس نمایی GCMها با استفاده از شبکه عصبی مصنوعی انجام گرفته است. از آنجایی که روش کلاسیک شبکه عصبی مصنوعی (پیش بینی نقطه ای) هیچ اطلاعاتی درباره ی دقت پیش بینی نمی دهد، از فواصل پیش بینی برای کمیت سنجی دقت ریزمقیاس نمایی شبکه عصبی مصنوعی استفاده شده است. برای محاسبه فواصل پیش بینی از روش جدید حد بالا و پایین (LUBE) استفاده شده است، که در آن شبکه عصبی با دو خروجی برای تخمین حدود پیش بینی ساخته شده است. همچنین روش کلاسیک بوت استرپ، روشی برای ارزیابی عدم قطعیت پیش بینی مورد استفاده قرار گرفته و نتایج حاصل از دو روش مقایسه شده است. بنابراین دقت فواصل پیش بینی به وسیله دو معیار همگرایی فواصل پیش بینی و عرض فواصل، کمیت سنجی شده است. سه GCM،Can-ESM۲ ,BNU- ESM ,INM-CM۴ و ترکیب آنها، در چهار نقطه ی شبکه بر روی هر یک از دو ایستگاه تبریز و اردبیل در شمال غربی ایران، برای ارزیابی فواصل پیش بینی ریزمقیاس نمایی بارش ماهانه و دما استفاده شده است. مقایسه بین نتایج دو مدل نشان داده است که روش LUBE، قابلیت اطمینان بیشتری نسبت به بوت استرپ دارد. عرض فواصل پیش بینی و احتمال همگرایی، به ترتیب ۱۰% تا ۴۰% کمتر و ۲% تا ۱۰% بیشتر از روش بوت استرپ برای GCM بوده است. ترکیب GCMها به نتایج دقیق تری منجر شده است و عرض فواصل پیش بینی و احتمال همگرایی، به ترتیب ۱۰% تا ۶۰% کمتر و ۲% تا ۲۰% بیشتر از مدل های تکی GCM بوده است.

مدل گردش عمومی جو, ریزمقیاس نمایی, فواصل پیش بینی, شبکه عصبی مصنوعی