کاربرد مدل شبکه عصبی مصنوعی در خرد مقیاس نمودن برون داد های مدل GCM برای پیش بینی بارش در پهنه جنوبی ایران

در این مطالعه، شبکه های عصبی مصنوعی و مدل های رگرسیونی برای خرد مقیاس نمودن خروجی های شبیه سازی شده مدل های گردش عمومی جو استفاده شدند. مجموعه داده های شبیه سازی شده بارش برای محدوده 25/18ͦ تا 34/51 ͦ شمالی و 45ͦ تا 60ͦ شرقی، ارتفاع ژیو پتانسیل در سطح 850 میلی بار و باد مداری در سطح 200 میلی بار برای 12/56ͦ تا 43/25ͦ شمالی و 19/68ͦ شمالی و 19/68ͦ تا 61/87ͦ شرقی به عنوان پیشگو کننده ها از مدل ECHAM5 GCM برای دوره 2005-1960 استخراج شدند. بارش ماهانه دیده بانی شده ایستگاه های آبادان، آباده، اهواز، بندرعباس، بوشهر شیراز و فسا برای دوره 2005-1960 به عنوان پیشگو شونده ها استخراج شدند. مولفه های اصلی داده های شبیه سازی شده استخراج و شش مولفه اصلی به عنوان ورودی مدل های شبکه عصبی مصنوعی و رگرسیون چند گانه در نظر گرفته شدند. همچنین ترکیب مجموعه داده های شبیه سازی شده به عنوان ورودی این مدل ها استفاده شدند. دوره های 2000-1960 و 2005-2001 به ترتیب به عنوان دوره های آموزش و آزمون در شبکه عصبی مصنوعی در نظر گرفته شدند. نتایج ضریب همبستگی پیرسون و جذر میانگین مربعات خطای استاندارد شده نشان داد که در بیشتر مواقع شبکه عصبی مصنوعی دقیق تر از رگرسیون چند گانه، بارش را پیش بینی می کند. برای مقیاس زمانی ماهانه داده های شبیه سازی شده ارتفاع ژیوپتانسیل بهترین پیشگو کننده و برای مقیاس فصلی (زمستان) بهترین پیشگو کننده در مدل شبکه عصبی مصنوعی، مولفه های اصلی استاندارد شده داده های شبیه سازی شده بارش می باشد.