دانشآموخته کارشناسی ارشد، گروه مهندسی و مدیریت آب، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران، Nima.Nemati@modares.ac.ir
چکیده: (720 مشاهده)
ریزمقیاسنمایی خروجی مدلهای گردش عمومی جو (GCM) بهمنظور دستیابی به برآوردهای دقیق اقلیمی در مقیاسهای محلی، یکی از چالشهای اساسی در مطالعات تغییر اقلیم بهویژه در مناطق حساس هیدرولوژیکی است. با توجه به محدودیتهای روشهای آماری مرسوم و ظهور الگوریتمهای نوین یادگیری ماشین، پژوهش حاضر با هدف ارزیابی عملکرد سه روش پرسپترون چندلایه (MLP)، ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF) برای ریزمقیاسنمایی متغیرهای بارش و دما انجام شده است. در این راستا، خروجی ۱۰ مدل اقلیمی CMIP6تحت چهار سناریوی26، SSP2.45، SSP3.70 و SSP5.85برای حوضه رودخانه بالادست سد کرخه در دوره تاریخی 1990 تا 2014 استخراج شد. دادهها در یک دوره ۲۰ ساله برای آموزش و دوره پنجساله برای آزمون مدلها به کار رفتند. نتایج ارزیابی با سه شاخص آماری R²، MAE و RMSE نشان داد که روش RF در هر دو متغیر بارش و دما نسبت به دو روش دیگر عملکرد برتری دارد، در حالیکه SVM ضعیفترین نتیجه را بهویژه در ریزمقیاسنمایی بارش ارائه کرد. با بهرهگیری از روش برتر (RF)، پیشنگری متغیرهای اقلیمی برای دورههای 2031–2055 و 2056–2080 انجام شده و در نهایت روند تغییرات متغیرهای مورد مطالعه با استفاده از آزمون من-کندال و برآوردگر شیب سن بررسی شد. یافتهها نشان دادند که متوسط بارش در هر چهار سناریو دارای تغییرات کاهشی بوده و در حدود 96/2 تا 22/19 درصد کاهش خواهد یافت؛ در حالی که متوسط دما بین 13/1 تا 13/3 درجه سانتیگراد افزایش مییابد. همچنین، نتایج حاصل از ارزیابی روند متغیرهای بارش و دما برای دورههای آتی تحت سناریوهای مورد ارزیابی، نشانگر تداوم نوسانات طبیعی و تصادفی متغیر بارش و افزایش معنادار روند متوسط دمای منطقه است. این نتایج بیانگر حساسیت بالای منطقه مطالعاتی به اثرات تغییر اقلیم و ضرورت استفاده از رویکردهای مبتنی بر یادگیری ماشین جهت بهبود دقت پیشنگریها است. همچنین، بهکارگیری این مدلها با افزایش توانایی استخراج الگوهای پیچیده اقلیمی همراه بوده و میتواند در بهبود فرآیند ریزمقیاسنمایی متغیرهای شبیهسازیشده توسط مدلهای اقلیمی مؤثر واقع شود.
