مهدی احمدی؛ باقر قرمز چشمه
چکیده
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 ...
بیشتر
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.
