| تعداد نشریات | 284 |
| تعداد نشریات سازمان | 82 |
| تعداد شماره‌ها | 2,784 |
| تعداد مقالات | 31,679 |
| تعداد مشاهده مقاله | 40,110,072 |
| تعداد دریافت فایل اصل مقاله | 17,604,333 |
بررسی عدم قطعیت مدل شبکه عصبی در ریزمقیاس گردانی HadCM3 با روش فاصله اطمینان بوت استراپ | ||
| مهندسی و مدیریت آبخیز | ||
| مقاله 8، دوره 7، شماره 3، آبان 1394، صفحه 306-316 اصل مقاله (920.7 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2015.101638 | ||
| نویسندگان | ||
| باقر قرمزچشمه* 1؛ علی‌اکبر رسولی2؛ مجید رضائی‌بنفشه3؛ علیرضا مساح بوانی4؛ علی‌محمد خورشیددوست2 | ||
| 1دانشجوی دکتری، دانشکده جغرافیا و برنامه‌ریزی، دانشگاه تبریز | ||
| 2استاد، دانشکده جغرافیا و برنامه‌ریزی، دانشگاه تبریز | ||
| 3دانشیار، دانشکده جغرافیا و برنامه‌ریزی، دانشگاه تبریز | ||
| 4دانشیار، پردیس ابوریحان، دانشگاه تهران | ||
| چکیده | ||
| در روش‌های ریزمقیاس گردانی آماری که بر اساس رابطه بین داده‌های گردش عمومی اتمسفری-اقیانوسی و هر یک از متغیرهای اقلیمی (بارش، دمای کمینه، دمای بیشینه) ایجاد می‌شود، دوره آتی آن متغیر اقلیمی شبیه‌سازی می‌شود. از آن‌جایی که در شبیه‌سازی، تمامی عوامل رخ داد، یک متغیر در مدل وارد نمی‌شود، لذا برآورد به‌وجود آمده همراه با خطا و یا عدم قطعیت می‌باشد. خروجی مدل‌های ریزمقیاس گردانی به‌عنوان ورودی در مدل‌های منابع آب و کشاورزی وارد شده و در صورتی که این ورودی‌ها دارای خطا باشند، خروجی مدل‌های ذکر شده نیز با عدم قطعیت بیشتری مواجه خواهد شد. شناخت مقدار خطا و یا عدم قطعیت هر مدل در قضاوت و اطمینان به نتایج به‌دست آمده ضروری است. در این تحقیق سعی شده است، عدم قطعیت ریزمقیاس گردانی مدل‌های GCM با شبکه عصبی در ایستگاه‌های شمال غرب کشور بررسی شود. بدین منظور، مدل شبکه عصبی اجراء و برای هر یک از ماه‌های سال، دمای کمینه، بیشینه و بارش با داده‌های NCEP واسنجی و ارزیابی شد. سپس، با داده‌های HadCM3 در دوره حاضر مدل ایجاد شده، مقادیر فوق شبیه‌سازی شد. داده‌های روزانه مشاهده‌ای هر ماه در دوره (2001-1961) تهیه و در هر ایستگاه و هر ماه با روش بوت استرپ فاصله اطمینان 99 درصد استخراج شد. سپس متوسط ماهانه دوره هر یک از متغیرهای اقلیمی برآورد شده به‌وسیله شبکه عصبی محاسبه شد. برای این منظور از دو معیار میانگین و واریانس داده‌ها استفاده شد. در هر ماه هرگاه میانگین یا واریانس برآورد شده در محدوده اطمیان قرار گیرد، برآورد به‌دست آمده دارای اطمینان است. برای مقایسه نتایج از تعداد ایستگاه-ماه استفاده شد. نتایج نشان داد که میانگین دمای بیشینه در 14 ایستگاه-ماه در محدوده اطمینان واقع شدند. تحلیل ماهانه آن نیز نشان داد، دقت شبکه عصبی در تابستان کم بوده و عدم قطعیت بالاتری نسبت به فصول دیگر دارد. در شبیه‌سازی دمای کمینه بر اساس این معیار 18 ایستگاه-ماه در محدوده اطمینان واقع شد. دقت شبکه عصبی در تابستان برای برآورد دمای کمینه کم و دارای عدم قطعیت در اغلب ایستگاه‌ها بود. به‌طوری که در ماه‌های ژوئن و آگوست در هیچ یک از ایستگاه‌ها برآورد به‌دست آمده در محدوده اطمینان قرار نگرفت. محدوده اطمینان بارش به‌دلیل ماهیت تغییرات زیاد آن نسبت به دما بسیار بالا بوده و تا بیش از 50 درصد بارش متوسط ماه نیز در برخی ایستگاه‌ها رسید. باتوجه به دامنه اطمینان بالای بارش، در 53 مورد ایستگاه-ماه در محدوده اطمینان قرار گرفتند. | ||
| کلیدواژه‌ها | ||
| بارش؛ تغییر اقلیم؛ دما؛ شمال غرب؛ مدل منابع آب و کشاورزی | ||
| عنوان مقاله [English] | ||
| Uncertainty analyzing of Neural Network in downscaling of HadCM3 data with bootstrap confidence interval method | ||
| نویسندگان [English] | ||
| Bagher Ghermezcheshmeh1؛ Aliakbar Rasuli2؛ Majid Rezaei-Banafsheh3؛ Alireza Massah4؛ Alimohammad Khorshiddoost2 | ||
| 1PhD student, Faculty of Geography and Planning, University of Tabriz, Iran | ||
| 2Professor, Faculty of Geography and Planning, University of Tabriz, Iran | ||
| 3Assistant Professor, Faculty of Geography and Planning, University of Tabriz, Iran | ||
| 4Assistant Professor, University of Tehran, Iran | ||
| چکیده [English] | ||
| In the statistical downscaling methods which is based on the relationship between AOGCMs data and ground based climatic variables (such as rain and temperature), the future period of those variables are simulated. Since in the simulation, all effective parameters cannot be modeled, estimated values suffers from be uncertainty. The outputs of downscaling models are used as inputs to agriculture and water resources models; therefore, identifying the models inputs’ error or uncertainty is essential to realize the reliability of obtained results. In this research, an attempt is made to investigate the uncertainty of Artificial Neural Network (ANN) as a downscaling model in a case study in the northwest of Iran. For this purpose, precipitation, minimum and maximum temperature variables were used in the designed ANN model, and the NCEP data was employed for its calibration and validation. The HadCM3 was the selected AOGCM in this study. Observed daily time series were gathered at all stations in the study period and on the basis of bootstrap method the 99% confidence interval was calculated for all the variables. In the next step, the simulated (downscaled) mean and variance of the variables by the ANN model, compared to the calculated confidence interval. To compare the results, the criterion of the number of station-month was used. The results showed that the average maximum temperature at 14 station-months were within the confidence interval. The results of monthly analysis showed that the accuracy of ANN model in summer was low and its uncertainty is more than the other seasons. In the simulation of minimum temperature based on this criterion, 18 station-months were within the confidence interval. The accuracy of ANN to estimate the minimum temperature in summer was low with high uncertainty in almost all the stations. Moreover, in June and August in any of the stations estimated values were not within the confidence interval. Due to the high variability of rainfall in relation to temperature, confidence range was very high, and in some stations was more than 50% of average monthly precipitation. Because of the high confidence rang of precipitation, in 53 Stations-month cases were within the confidence interval. | ||
| کلیدواژه‌ها [English] | ||
| Climate change, Northwest, rain, temperature, Water resources and agriculture models | ||
|
آمار تعداد مشاهده مقاله: 1,654 تعداد دریافت فایل اصل مقاله: 1,430 |
||