مقایسه روشهای یادگیری ماشین در انتخاب پیشبینیکنندههای مدلهای گردش عمومی جو- اقیانوسی برای ریزمقیاسنمائی دمای بیشینه (مطالعه موردی: بیرجند)

Abstract

افزایش غلظت گازهای گلخانهای در اتمسفر باعث تغییرات زیادی در مؤلفههای اقلیمی کره زمین شده است که این تغییرات در پارامترهای اقلیمیی به صورت افزایشی یا کاهشی است. امروزه تغییر اقلیم یکی از چالشهای بشر در بهرهبرداری و مدیریت منابع آب است، همچنیین شیرایک کنیونی آب و هوای جهانی نشان دهنده افزایش خطرات ناشی از پدیده خشکی در بسیاری از مناطق جهان در آینیده اسیت. مید هیای گیردک کلیی جیوی یکیی از مهمترین و پرکاربردترین روکها در مطالعات تغییرات اقلیمی در مقیاس منطقهای میباشد. یکی از اولویتهای اصلی ریزمقیاسنمیایی آمیاری انتخیاب پیشبینیکنندهها به عنوان ورودی به مد ریزمقیاسنمایی در پژوهش میباشد. برای انتخاب پیشبینیکنندههای مهم از بین 62متغیر جو بالا، از چهار الگوریتم یادگیری ماشین شامل لاسو، ستیغی، SPSA ،GBMدر ریزمقیاسنمایی آماری دمای بیشینه در ایستگاه بیرجند استفاده گردید و عملکرد این روکها با سه شاخص نش-ساتکلیف نسبی، کلینگ-گوپتا و بازده حجمی در بخش صحتسنجی مورد بررسی قرار گرفت. نتایج نشان داد که بیشیترین میزان اهمیت برای مؤلفه سرعت نصفالنهاری نزدیک سطح و کمترین مقدار آن در مؤلفه سرعت مداری در ارتفاع 055هکتیو پاسیکا مییباشید کیه مقادیر آن بهترتیب %37/6و %50تعیین شد. همچنین نتایج شاخصهای ارزیابی عملکرد نش- سیاتکلیف نسیبی و کلینیگ-گوپتیا، نشیان دادنید کیه الگوریتم SPSAدارای عملکرد بهتری از سایر الگوریتمها درانتخاب پیشبینیکنندهها و به تبع آن ریزمقیاسنمیایی دمیای بیشیینه مییباشید. مقایسیه میانگین و واریانس خروجی ریزمقییاس شیده توسیک الگیوریتمهیای میورد اسیتفاده و دادههیای مشیاهداتی در بخیش صیحتسینجی نشیان داد کیه الگوریتم SPSAنسبت به سایر الگوریتمها در باز تولید میانگین و واریانس دمای بیشینه مشاهداتی در ایستگاه سینوپتیک بیرجند دارای توانایی بیشتری میباشد