ترکیب روش‌ استخراج مشخصه با ریزمقیاس نمایی آماری مبتنی بر ترکیب مدل‌های هوش مصنوعی

در این پژوهش از دو مدل گردش عمومی جو (GCM ) ( Can-ESM2, BNU-ESM) برای شبیه سازی بارش دوره آتی در شهر تبریز، استفاده شده است. مهم‌ترین ضعف مدل‌های GCM، بزرگ بودن مقیاس مکانی متغیرهای اقلیمی شبیه سازی شده است که روش‌های مختلف ریزمقیاس نمایی درصدد رفع این نقیصه می‌باشند. در این مطالعه برای ریز مقیاس نمودن متغیرهای اقلیمی مدل‌های GCM، از مدل‌های هوش مصنوعی شبکه عصبی مصنوعی ( ANN) و نروفازی ( ANFIS)، بهره گرفته شده است. بدون شک اصلی‌ترین مرحله به هنگام استفاده از این مدل‌ها، انتخاب مناسب‌‌ترین ورودی از میان داده‌های بسیار متعدد ارائه شده توسط GCM‌ها می‌‌باشد. بنابراین در این مطالعه برای انتخاب پارامترهای ورودی مؤثر از روش‌های درخت تصمیم و تابع اطلاعات مشترک ( MI) استفاده شده است. همچنین روش ترکیب مدل برای کاهش عدم قطعیت در ریزمقیاس نمایی و افزایش دقت پیش بینی استفاده شده است. در این پژوهش مقایسه نتایج روش‌های ریز مقیاس نمایی نشان داد که، مدل ترکیبی با موثرترین ورودی‌های تعیین شده با درخت تصمیم نتایج مناسبتری ارائه می‌دهد. بطوریکه در هر دو مدل GCM، بکارگیری مدل ترکیبی با پیش بینی کننده‌های مبتنی بر درخت تصمیم نسبت به مدل های ANN و ANFIS در ریزمقیاس نمایی سبب افزایش %38-%10 DC در مدلسازی بارش می‌گردد. پیش بینی بارش ایستگاه سینوپتیک تبریز با مدل ترکیبی نشان داد که بارش دوره آتی (2060-2020) تحت سناریوهای RCP4.5 و RCP8.5 تا %40-% 30 کاهش می‌یابد.