fa ارزیابی کارایی مدل شبکه عصبی مصنوعی برای ریزمقیاس نمایی و پیش‌بینی بلندمدت متغیرهای اقلیمی هواشناسی هواشناسی پژوهشي Research <p dir="RTL" style="margin-right: 14.15pt; text-align: justify;"><span style="font-size:11px;"><strong><span style="letter-spacing:.1pt;">مدل‌های گردش عمومی به &shy;عنوان منبع اصلی شبیه‌سازی اقلیم، دارای شبکه محاسباتی با ابعاد بزرگ بوده و قادر به ارائه اطلاعات قابل اعتماد برای مدل‌سازی هیدرولوژیکی نمی‌باشند. برای پرداختن و رفع چنین محدودیت‌هایی از روش ریز‌مقیاس نمایی استفاده می &shy;شود. در پژوهش حاضر، شبیه‌سازی اثر تغییر اقلیم بر رفتار بارش و دمای ایستگاه سینوپتیک سیرجان در استان کرمان، مورد ارزیابی قرار گرفت. در ابتدا عملکرد مدل شبکه عصبی مصنوعی به‌منظور ریزمقیاس&shy;نمایی متغیرهای اقلیمی پیش&shy; بینی &shy;شده توسط مدل گردش عمومی </span></strong><strong><span dir="LTR" style="letter-spacing:.1pt;"><span style="font-family:times new roman,serif;">CanESM2</span></span></strong> <strong><span style="letter-spacing:.1pt;">مورد آزمون قرار گرفت. در ادامه با استفاده از مناسب &shy;ترین مدل&shy; ها مقادیر دما و بارندگی متوسط ماهانه برای دوره &shy;های آتی تحت سناریوی </span></strong><strong><span dir="LTR" style="letter-spacing:.1pt;"><span style="font-family:times new roman,serif;">RCP 4.5</span></span></strong> <strong><span style="letter-spacing:.1pt;">پیش&shy; بینی و بررسی گردیدند. نتایج نشان داد که برای متغیر دما ساختار مدل شبکه عصبی با تعداد 2 لایه پنهان، 8 نرون، تابع محرک تانژانت و لوگ&shy;سیگموئید و همچنین الگوریتم آموزش لونبرگ-مارکوات دارای بیشترین کارایی و مقادیر </span></strong><strong><span dir="LTR" style="letter-spacing:.1pt;"><span style="font-family:times new roman,serif;">RMSE</span></span></strong><strong><span style="letter-spacing:.1pt;">، </span></strong><strong><span dir="LTR" style="letter-spacing:.1pt;"><span style="font-family:times new roman,serif;">NS</span></span></strong> <strong><span style="letter-spacing:.1pt;">و </span></strong><strong><span dir="LTR" style="letter-spacing:.1pt;"><span style="font-family:times new roman,serif;">R²</span></span></strong> <strong><span style="letter-spacing:.1pt;">به ترتیب برابر با 387/0، 973/0 و 917/0 بوده است. همچنین برای متغیر بارش نیز ساختاری با تعداد 2 لایه، 8 نرون، تابع محرک تانژانت و لوگ سیگموئید و الگوریتم آموزشی لونبرگ-مارکوات عملکرد مناسب&shy; تری داشت و مقادیر </span></strong><strong><span dir="LTR" style="letter-spacing:.1pt;"><span style="font-family:times new roman,serif;">RMSE</span></span></strong><strong><span style="letter-spacing:.1pt;">، </span></strong><strong><span dir="LTR" style="letter-spacing:.1pt;"><span style="font-family:times new roman,serif;">NS</span></span></strong> <strong><span style="letter-spacing:.1pt;">و </span></strong><strong><span dir="LTR" style="letter-spacing:.1pt;"><span style="font-family:times new roman,serif;">R²</span></span></strong> <strong><span style="letter-spacing:.1pt;">به ترتیب برابر با 867/2، 849/0 و 924/0 می&shy; باشند. سایر نتایج نشان داد که تا سال 2099، میانگین دما در سناریوی </span></strong><strong><span dir="LTR" style="letter-spacing:.1pt;"><span style="font-family:times new roman,serif;">RCP 4.5</span></span></strong><strong><span style="letter-spacing:.1pt;">، 3 درجه ‌سانتی‌گراد افزایش خواهد یافت و بیشترین افزایش مربوط به ماه اگوست به مقدار 9/4 و کمترین افزایش مربوط به ماه آوریل به مقدار 8/1 می‌باشد.</span></strong> <strong><span style="letter-spacing:.1pt;">نتایج، همچنین افزایش قابل توجه در میزان بارش ژوئیه تا نوامبر و کاهش بارش در ماه&shy; های مارس و می را نشان داد. با این وجود در مقیاس سالانه، تغییری در میزان بارندگی رخ نخواهد داد. </span></strong></span><br> &nbsp;</p> <p dir="RTL" style="margin-right:14.15pt;"></p> <p>Atmosphere&ndash;ocean coupled global climate models (GCMs) are the main source to simulate the climate of the earth climate. The computational grid of the GCMs is coarse and so, they are unable to provide reliable information for hydrological modelling. To eliminate such limitations, the downscaling methods are used<span dir="RTL">.</span> The present study is focused on simulating the impact of climate change on the behavior of precipitation and temperature of Sirjan synoptic station in Kerman Province. At first, the capability of artificial neural network to downscaling of climate variables that predicted by CanESM2 is tested. Then, using the most appropriate models, the mean monthly temperature and precipitation amounts forecast for future periods under RCP 4.5 scenario. Results of this study for monthly temperature downscaling indicated that the artificial neural network with 2 hidden layer, 8 neurons, with Tangent and Log sigmoid activation function was the best model, so that RMSE, NS and R² were 0.387 , 0.973 and 0.917 respectively. Also, for precipitation variable, the structure with 2 hidden layer feed forward perceptron, 8 neurons, Tangent and Log sigmoid activation function and Levenberg-Marquardt algorithm had better performance, so that RMSE, NS and R² were 2.867, 0.849 and 0.924, respectively. Results indicate that until 2099, amount of monthly mean temperature under RCP 4.5 emission scenario will be increased by 3 (˙C) and the highest increase is predicted for August by 3.9 (˙C) and a lower increase in April by 1.8 (˙C). The results also showed considerable increase of precipitation for June to November and noticeable decrease for March and May months. However, no change occure in annaul scale (inter-annual).<br> &nbsp;<br> &nbsp;</p> شبکه عصبی مصنوعی, مدل‌های گردش عمومی, گزارش پنجم IPCC, بارش, دما, سیرجان Artificial Neural Network, General Circulation Model, Fifth Assessment Report of IPCC, Precipitation, Temperature, Sirjan 80 90 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-687-1&slc_lang=fa&sid=1 Ebrahim Omidvar ابراهیم امیدوار ebrahimomidvar@gmail.com 10031947532846006992 10031947532846006992 Yes University of Kashan دانشکده منابع طبیعی و علوم زمین، دانشگاه کاشان Maryam Rezaei مریم رضایی maryamm_rezaei@yahoo.com 10031947532846006993 10031947532846006993 No University of Kashan علوم و مهندسی آبخیزداری، دانشگاه کاشان Abdollah Pirnia عبدالله پیرنیا abd.god62@gmail.com 10031947532846006994 10031947532846006994 No Sari agriculture and natural resource University علوم و مهندسی آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی ساری