تخمین فواصل پیش‌بینی در ریزمقیاس‌نمایی مدل‌ گردش عمومی جو بر پایه شبکه عصبی

یکی از ابراز پرکاربرد در پیش‌بینی آب و هوا و بررسی تاثیرات تغییر اقلیم بر روی پارامترهای آب‌وهوا مدل گردش عمومی (GCM) می‌باشد. در این مطالعه ریزمقیاس‌نمایی GCMها با استفاده از شبکه عصبی مصنوعی انجام گرفته است. از آنجایی که روش کلاسیک شبکه عصبی مصنوعی (پیش بینی نقطه ای) هیچ اطلاعاتی درباره‌ی دقت پیش‌بینی نمی‌دهد، از فواصل پیش‌بینی برای کمیت‌سنجی دقت ریزمقیاس‌نمایی شبکه عصبی مصنوعی استفاده شده است. برای محاسبه فواصل پیش‌بینی از روش جدید حد بالا و پایین (LUBE) استفاده شده است، که در آن شبکه عصبی با دو خروجی برای تخمین حدود پیش‌بینی ساخته شده است. همچنین روش کلاسیک بوت‌استرپ، روشی برای ارزیابی عدم‌قطعیت پیش‌بینی مورد استفاده قرار گرفته و نتایج حاصل از دو روش مقایسه شده است. بنابراین دقت فواصل پیش‌بینی به وسیله دو معیار همگرایی فواصل پیش‌بینی و عرض فواصل، کمیت‌سنجی شده است. سه GCM،Can-ESM2 ,BNU- ESM ,INM-CM4 و ترکیب آنها، در چهار نقطه‌ی شبکه بر روی هر یک از دو ایستگاه تبریز و اردبیل در شمال غربی ایران، برای ارزیابی فواصل پیش‌بینی ریزمقیاس‌نمایی بارش ماهانه و دما استفاده شده است. مقایسه بین نتایج دو مدل نشان داده است که روش LUBE، قابلیت اطمینان بیشتری نسبت به بوت استرپ دارد. عرض فواصل پیش‌بینی و احتمال ‌همگرایی، به ترتیب 10% تا 40% کمتر و 2% تا 10% بیشتر از روش بوت‌استرپ برای GCM بوده است. ترکیب GCMها به نتایج دقیق‌تری منجر شده است و عرض فواصل پیش‌بینی و احتمال‌ همگرایی، به ترتیب 10% تا 60% کمتر و 2% تا 20% بیشتر از مدل‌های تکی GCM بوده است.