عملکرد مدل های AR۴ و ATR در شبیه سازی پارامتر های اقلیمی با شبکه عصبی مصنوعی مطالعه موردی: حوزه آبخیز سزار

سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 24

نسخه کامل این مقاله ارائه نشده است و در دسترس نمی باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JWMS-12-42_001

تاریخ نمایه سازی: 5 دی 1402

چکیده مقاله:

در پژوهش حاضر عملکرد ۶ مدل گردش عمومی جو به نام های HADCM۳، CGCM۳، CSIROMK۳ (از مجموعه مدل های AR۴) و CGCM۱، GFDL۳۰، NCARPCM (از مجموعه مدل های ATR) در شبیه سازی پارامتر های اقلیمی دمای میانگین و بارش حوزه سزار با استفاده از شبکه عصبی مصنوعی (ANN) مورد ارزیابی قرار گرفتند. برای آموزش شبکه عصبی مصنوعی از مدل پرسپترون forward استفاده شد. مطابق با ارزیابی عملکرد مدل ها با استفاده از ضرایب حداکثر خطای مطلق ، میانگین قدر مطلق خطا ، جذر میانگین مربعات و ضریب تبیین، در بین دو مجموعه مدل AR۴ و ATR، به طور میانگین مدل های AR۴ عملکرد بهتری نسبت به مدل های ATR دارند و این مدل ها عدم قطعیت کمتری در شبیه سازی پارامتر های اقلیمی دمای میانگین و بارش برای حوزه سزار در دوره ۲۰۰۰-۱۹۹۶ دارند. در بین ۶ مدل ذکر شده ، مدل CGCM۳ بهترین عملکرد را در شبیه سازی پارامتر های اقلیمی برای حوزه سزار دارد. این مدل همراه با HADCM۳ کمترین اختلاف را با پارامتر های اقلیمی مشاهداتی دارند. همچنین نتایج نشان داد که مدل CSIROMK۳.۰ و CGCM۱ بیشترین اختلاف را با پارامتر های اقلیمی مشاهداتی دارند.

نویسندگان

محمد قدمی دهنو

Isfahan University of Technology

سعید سلطانی

Isfahan University of Technology

سهراب نادری

Isfahan University of Technology

وحید کاکاپور

Isfahan University of Technology

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Asghari Moghaddam, A., norani, V., Ndyry, AS. ۱۳۸۷. Tabriz plain ...
  • Eslah, P. ۱۳۸۳. Analysis of return on SASW tests using ...
  • Chobdar, A. ۱۳۸۶. The monthly reservoir inflow forecasting Shahid Madani ...
  • Khalili, N., Khodashenas, S., Davari, k. ۱۳۸۵. Precipitation forecasting using ...
  • Shahkarami, N. Masah bovani, S. Morid, S. And Golmokhtari, h. ...
  • Abbasids, F. Babaeian, A. Habibi Now Khandan, M. Golimokhtari, L.Malboosi, ...
  • Kamal, A. Masah boani, A. ۱۳۹۰. Evaluation of uncertainty AOGCM-AR۴ ...
  • Kamal, A. Masah boani, A. ۱۳۹۰. Ompare uncertainty and AOGCM-AR۴ ...
  • Menhaj, M.B. ۱۳۸۴. Fundamentals of Neural Networks (Computational Intelligence), Nshrdanshgah ...
  • Busiioc, A. Giorgi, F. Bi, X. ۲۰۰۶. Comparison of Regional ...
  • Demuth, H., Beale, M. ۲۰۰۰. Neural Network Toolbox Users Guide ...
  • Christensen N. and Lettenmaier D. P. ۲۰۰۶. Amulti model ensemble ...
  • Gellen, D. and E. Roulin. ۱۹۹۸. Stream flow response of ...
  • Hayhoe K. Wake C.P. Huntington T.G. Luo L. Schwartz M.D. ...
  • IPCC, ۲۰۰۷. Climate change: The Physical Scientific Basis. Contribution of ...
  • Jones, P.D. and M. Hulme. ۱۹۹۶. Calculating regional climatic times ...
  • نمایش کامل مراجع