Journal of Rainwater Catchment Systems

fa مقایسه عملکرد روش‌های یادگیری ماشین در ریزمقیاس‌نمایی متغیرهای بارش و دمای شبیه‌سازی‌شده توسط مدل‌های اقلیمی Comparison of machine learning methods for statistical downscaling of climate models precipitation and temperature تخصصي Special پژوهشي Research 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 CMIP6 تحت چهار سناریوی<a name="_Hlk215863329"> </a>26، SSP2.45، SSP3.70 و SSP5.85 برای 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. Statistical downscaling of General Circulation Model (GCM) outputs to obtain accurate climate estimates at local scales is one of the fundamental challenges in climate change studies, particularly in hydrologically sensitive regions. Considering the limitations of conventional statistical methods and the emergence of modern machine learning algorithms, the present study aims to evaluate the performance of three methods—Multilayer Perceptron (MLP), Support Vector Machine (SVM), and Random Forest (RF)—for downscaling precipitation and temperature variables. Accordingly, the outputs of 10 CMIP6 climate models under four scenarios (SSP1-2.6, SSP2-4.5, SSP3-7.0, and SSP5.58) were extracted for the upstream basin of the Karkheh Dam during the historical period 1990–2014. The data were used for training for 20 years, and five years for testing the models.. Evaluation results based on three statistical indices (R², MAE, and RMSE) showed that the RF method outperformed the other two methods for both precipitation and temperature, while SVM yielded the weakest results, particularly in precipitation downscaling. Leveraging the superior RF approach, climate variables were projected for the periods 2031-2055 and 2056-2080, with trends analyzed using the Mann-Kendall test and Sen's slope estimator. The findings indicated that mean precipitation decreases under all four scenarios, with reductions of approximately 2.96% to 19.22%, while average temperature increases by 1.13°C to 3.13°C. Furthermore, trend analysis of precipitation and temperature variables for future periods under the evaluated scenarios indicates the persistence of natural and random fluctuations in precipitation alongside statistically significant upward trends in regional mean temperature. These results highlight the high sensitivity of the study area to climate change impacts and the necessity of employing machine-learning-based approaches to improve the accuracy of projections. Moreover, the application of these models enhances the ability to capture complex climate patterns and can effectively contribute to improving the downscaling of climate-model-simulated variables. تغییر اقلیم, مدل‌های گردش عمومی جو, پرسپترون چندلایه, ماشین بردار پشتیبان, جنگل تصادفی, حوضه رودخانه بالادست سد کرخه. Climate change, General circulation models, Multilayer perceptron, Support vector machine, Random forest, Upstream Karkheh River Basin 109 132 http://jircsa.ir/browse.php?a_code=A-10-2401-1&slc_lang=fa&sid=1 Ali Sadian علی سعدیان Ali.sadian@modares.ac.ir 10031947532846006059 0009-0000-9033-5717 No Ph.D. Candidate, Department of Water Engineering and Management, Faculty of Agriculture, Tarbiat Modares University, Tehran, Iran, Email: Ali.sadian@modares.ac.ir کاندیدای دکتری، گروه مهندسی و مدیریت آب، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران، Ali.sadian@modares.ac.ir Nima Nemati Shishehgaran نیما نعمتی شیشه گران Nima.Nemati@modares.ac.ir 10031947532846006060 0009-0002-9257-218X Yes Former M.Sc. Student, Department of Water Engineering and Management, Faculty of Agriculture, Tarbiat Modares University, Tehran, Iran, Email: Nima.Nemati@modares.ac.ir دانش‌آموخته کارشناسی ارشد، گروه مهندسی و مدیریت آب، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران، Nima.Nemati@modares.ac.ir