مقایسه پیش بینی میزان بارندگی سالانه استان کرمان با استفاده از مدل های شبکه عصبی مصنوعی و رگرسیون خطی چند متغیره

امروزه پدیده ی تغییر اقلیم به عنوان یک معضل جدی گریبان گیر کشورهای جهان شده است، به نظر می رسد که اکوسیستم ها به طور ویژه ای از این تغییرات آسیب بینند، از این رو مطالعه ی روند تغییرات متغیرهای اقلیمی در درازمدت اهمیت ویژه ای در بررسی های اقلیمی و پیش بینی آن در آینده خواهد داشت. پدیده ی بارش تابع عوامل زیادی می باشد که پیش بینی آن به روش های معمول آماری از دقت کمی برخوردار است. روش های مختلفی برای شبیه سازی متغیر های اقلیمی در دوره های آتی تحت تأثیر تغییر اقلیم وجود دارد که معتبرترین آن ها استفاده از داده های مدل گردش عمومی جو یا gcm (general circulation model) می باشد. مدل های gcm، تنها قادر به شبیه سازی این داده ها در سطوح بزرگ هستند. لذا جهت استفاده از این داده ها لازم است تا داده های gcm، توسط تکنیک های مختلف در سطوح ایستگاهی ریز مقیاس گردند. در این پژوهش با استفاده از خروجی های مدل hadcm3 تحت سناریوی a2 و از طریق مدل های ریزمقیاس کننده sdsm و شبکه عصبی مصنوعی، میزان بارندگی برای سه دوره (2039-2010)، (2069-2040) و (2099-2070) میلادی پیش بینی شد،در ادامه، با توجه به معیارهای آماری نتایج حاصل از دو مدل مورد ارزیابی و مقایسه قرار گرفت. یافته ها، بیانگر عملکرد بالاتر مدل شبکه عصبی در اکثر ایستگاه ها و کاهش بارندگی سالانه استان کرمان تا سال 2100 می باشد.