Professional Documents
Culture Documents
JDCR 1 4 7
JDCR 1 4 7
JDCR 1 4 7
net/publication/378831022
CITATIONS READS
0 47
2 authors, including:
SEE PROFILE
All content following this page was uploaded by Journal of Drought and Climate Change Research on 09 March 2024.
Journal of
Drought and Climate change Research (JDCR)
Winter 2024, Vol.1, No.4, pp 105-118
10.22077/JDCR.2023.6996.1049
1. PhD Student in Water Resources, Department of Sciences and Water Engineering, University of Birjand, Birjand, Iran.
2. Associate Professor, Department of Sciences and Water Engineering, University of Birjand, Birjand, Iran.
3. Research Group of Drought and Climate change, University of Birjand, Birjand, Iran.
*Corresponding Author: mahtabhelmi@birjand.ac.ir
Copyright: © 2022 by the authors. Licensee Journal of Drought and Climate change Research (JDCR). This article is an open access article distributed
under the terms and conditions of the Creative Commons Attribution (CC BY) license (https://creativecommons.org/licenses/by/4.0/).
Evaluation of SDSM, LARS-WG, and ANN Methods ... 106
input.
Results and Discussion:
Comparing of climatic parameters in observed data and model data by SDSM model showed that
the accuracy of the model in estimating the maximum and minimum temperature in both Taybad
and Qouchan stations is higher than precipitation. The highest coefficient of the model was for the
smallest temperature parameter, which had values of 0.59 and 0.53 in Taybad and Qouchan stations,
respectively. The LARS-WG model estimated the maximum and minimum temperatures in Taybad
station better than Qouchan station. The ANN model was less accurate than the other two models.
The current results revealed that the accuracy of SDSM and LARS-WG methods is similar to each
other and both methods can be used for climate change studies. According to the obtained results
and statistical criteria in this research, the ANN model has a lower performance than other models
in forecasting. The results of this research are consistent with the results of similar studies by other
researchers in the field of downscaling.
Conclusions:
Precipitation and temperature are the most important parameters in climate change. In this regard,
the use of General Circulation Models is very effective. However, these models cannot simulate
climate parameters at local scales. Therefore, different downscaling methods should be used. For
this purpose, in the current study, three downscaling models namely SDSM, LARS-WG, and ANN
were compared in estimating the climatic parameters of daily precipitation as well as minimum and
maximum temperatures at two stations Taybad and Qouchan. By comparing all three investigated
models, the results showed that the LARS-WG and SDSM models have the least amount of error in
simulating the minimum and maximum temperature and the efficiency of these two models is higher
than the ANN method in climate simulation. According to the obtained results and statistical criteria,
the ANN model has a lower performance than other models in forecasting. Finally, the present
study showed that the presented methods can be used to predict other climate parameters in future
studies. It is suggested that future research evaluates the statistical downscaling methods based on
the combination of artificial intelligence models. Also, the presented downscaling methods can be
compared with other downscaling methods.
مجلـه
پژوهشهای خشکسالی و تغییراقلیم
دوره اول ،شماره چهارم ،پیاپی ،4زمستان ،1402صفحات 105 - 118
10.22077/JDCR.2023.6996.1049
م متفاوت در
ارزیابی روشهای GW-SRAL ،MSDSو NNAدر ریزمقیاسسازی دما و بارش برای دو اقلی
استان خراسان رضوی
مهتاب حلمی ،*1سپیده زراعتی نیشابوری ،1مهدی امیرآبادیزاده ،3،2مصطفی یعقوبزاده
3،2
.1دانشجوی دکتری منابع آب ،گروه علوم و مهندسی آب ،دانشگاه بیرجند ،بیرجند ،ایران.
.2دانشیار گروه علوم و مهندسی آب ،دانشگاه بیرجند ،بیرجند ،ایران.
.3گروه پژوهشی خشکسالی و تغییراقلیم ،دانشگاه بیرجند ،بیرجند ،ایران.
*نویسنده مسئولmahtabhelmi@birjand.ac.ir :
در ایــن مدلهــا ،در مقیــاس بــزرگ مکانــی و زمانــی انجــام میشــود ،خروجــی آنهــا بــا
اســتفاده از روشهــای مختلــف ،کوچکمقیــاس میگــردد .در ایــن پژوهــش ،نتایــج ســه مــدل
ریزمقیاسنمایــی LARS-WG ،SDSMو ANNدر شبیهســازی پارامترهــای اقلیمــی بــارش روزانــه و
کمینــه و بیشــینه دمــای روزانــه در دو ایســتگاه تایبــاد (بــا آب و هــوای گــرم و خشــک) و قوچــان
(بــا آب و هــوای ســرد و معتــدل) در اســتان خراســان رضــوی مقایســه شــده اســت .بدیــن
ـه ایســتگاهها
منظــور از دوره بیســت ســاله دادههــای بــارش و کمینــه و بیشــین ه دمــای روزانـ
بیــن ســالهای 1986-2005اســتفاده گردیــد .بــرای مقایســهی دقــت مدلهــا ،از شــاخصهای
ضریــب تبییــن ،ریش ـهی مجمــوع مربعــات خطــا و میانگیــن مطلــق خطــا اســتفاده شــد .نتایــج
نشــان داد مدلهــای LARS-WGو SDSMکمتریــن میــزان خطــا را در شبیهســازی کمینــه و تاریخ دریافت:
بیشــینه دمــای روزانــه دارنــد .مقــدار میانگیــن مطلــق خطــای مــدل SDSMبــرای پارامتــر کمینه 1402/09/07
دمــا در دو ایســتگاه تایبــاد و قوچــان بــه ترتیــب 0/61و 0/71میباشــد .مقــدار خطــای پارامتــر
مذکــور در مــدل LARS-WGدر دو ایســتگاه تایبــاد و قوچــان بــه ترتیــب 0/65و 0/43اســت. تاریخ ویرایش:
از ســوی دیگــر ،در مــدل ،ANNمیانگیــن مطلــق خطــای کمینــه دمــا در ایســتگاه تایبــاد 1/78 1402/09/28
و در ایســتگاه قوچــان 1/73بدســتآمده اســت .در نهایــت میتــوان بیــان کــرد؛ مدلهــای
ریزمقیاسنمایــی SDSMو LARS-WGاز دقــت باالتــری در شبیهســازی مقادیــر پارامترهــای تاریخ پذیرش:
اقلیمــی دمــای روزانــه و بخصــوص پارامتــر کمینــه دمــا در ایســتگاههای تایبــاد و قوچــان 1402/10/07
نســبت بــه مــدل ANNبرخــوردار میباشــند.
مهتاب حلمی و همکاران 108
و بــارش در ایســتگاه قوچــان بــا اقلیــم ســرد معتــدل و و شــمال آفریقــا را بــا مــدل Cosmo-Climشبیهســازی
ایســتگاه تایبــاد بــا اقلیــم گــرم و خشــک بــر اســاس عملکرد نمودنــد .نتایــج بــر افزایــش دمــا و کاهــش بــارش داللــت
مدلهــای LARS-WG ،SDSMو ANNصــورت گرفتــه دارد .در پژوهشــی جهــت کوچکســازی دمــا و بــارش،
اســت .در ایــن تحقیــق ســعی بــر ایــن اســت کــه کارایی ســه کارایــی ســه روش کوچکســازی آمــاری ،LARS-WG
مــدل بــا در نظــر گرفتــن معیارهــای خطــا در شبیهســازی SDSMو ANNدر شــمال غربــی ایــران توســط حســینی
متغیرهــای کمینــه و بیشــینه دمــا و بــارش روزانــه در دو و همــکاران ( )Hosseini et al., 2020مقایســه شــد .نتایــج
اقلیــم مختلــف ،بررســی و مقایســه گــردد. نشــان داد بــرای پیشبینــی بــارش ،مــدل SDSMبهتریــن
مواد و روشها کارایــی را در بیــن مدلهــا دارد .بــرای بررســی اثــر تغییــر
منطقه مورد مطالعه اقلیــم بــر روی متغیرهــای اقلیمــی حوضــه ســیمره ،نــادری
محــدودهی مطالعاتــی ،شــامل ایســتگاههای هواشناســی و همــکاران ( )Naderi et al., 2017از مــدل SDSMبهــره
شهرســتانهای تایبــاد و قوچــان در اســتان خراســان گرفتنــد .نتایــج شبیهســازی پارامترهــای بــارش و دمــای
رضــوی میباشــد .تایبــاد ،مرکــز شهرســتان تایبــاد و میانگیــن نشــانگر عملکــرد مناســب ایــن مــدل بــود .رضایــی
در نزدیــک مــرز ایــران و افغانســتان قــرار دارد .موقعیــت و همــکاران ( )Rezaei et al., 2014کارایــی مــدل SDSM
جغرافیایــی آن بیــن مــدار 60درجــه و 5دقیقــه طــول را بــرای ریزمقیاسنمایــی پارامترهــای دمــا در دو اقلیــم
شــرقی تــا 34درجــه و 30دقیقــه عــرض شــمالی بــوده خشــک و فراخشــک بررســی نمودنــد .نتایــج نشــان داد کــه
و ارتفــاع آن از ســطح دریــا 806متــر اســت .بطــور کلــی ایــن مــدل در منطقــه خشــک نســبت بــه منطقــه فراخشــک
اقلیــم گــرم و خشــک بــر آن حاکــم اســت .قوچــان مرکــز از عملکــرد باالتــر و دقــت قابــل قبولــی بــرای پیشبینــی دمــا
شهرســتان قوچــان ،در شــمال خراســان رضــوی و در مــدار برخــوردار اســت .اســتفاده از مــدل LARS-WGبهمنظــور
جغرافیایــی ۳۶درجــه و ۳۷دقیقــه طــول شــرقی تــا ۳۷ بررســی پارامترهــای اقلیمــی دمــا و بارندگــی در شهرســتان
درجــه و ۴۰دقیقــه عــرض شــمالی واقــع شــده اســت .بــا کرمــان توســط جعفــری گدنــه و همــکاران (Jafari
توجــه بــه شــرایط کوهســتانی قوچــان ،اقلیــم ایــن شــهر )Godeneh et al., 2019انجــام گردیــد .نتایــج نشــاندهنده
ســرد و معتــدل بــا زمســتانهای ســرد و تابســتانهای کارایــی مناســب مــدل LARS-WGدر پیشبینــی دمــا و
معتــدل اســت و ارتفــاع قوچــان از ســطح دریــا 1350متــر کارایــی متوســط آن بــرای بارندگــی اســت .در پژوهشهــای
میباشــد .شــکل ( )1موقعیــت ایــن دو ایســتگاه را در ســطح علیــزاده و زهرایــی ( )Alizadeh and Zahraei, 2014و
ایــران و اســتان خراســان رضــوی نشــان میدهــد. گــودرزی و همــکاران ( )Goudarzi et al., 2016عملکــرد
روش تحقیق مدلهــای SDSMو LARS-WGدر ریزمقیاسنمایــی
در پژوهــش حاضــر ،بهمنظــور اســتفاده از مؤلفههــای متغیرهــای هواشناســی بررســی گردیــد .یافتههــا در اقلیــم
هواشناســی بــارش و کمینــه و بیشــین ه دمــای روزانــه ،جهت ســرد و نیمهخشــک بیانگــر دقــت بیشــتر هــر دو مــدل در
بهکارگیــری در مدلهــای اقلیمــی ریزمقیاسنمایــی شبیهســازی پارامتــر دمــا میباشــد.
SDSMو ،ANNپارامترهــای مذکــور بــرای ایســتگاههای در مجمــوع بــا بررســی منابــع و نتایــج بدســت آمــده ،هیــچ
همدیــدی ،اقلیمشناســی و بارانســنجی تایبــاد و قوچــان یــک از مدلهــای ریزمقیاسنمایــی برتــری مطلــق بــر
تهیــه و دریافــت شــد .مؤلفههــای اقلیمــی بــارش و دمــا مــدل دیگــر نــدارد و بــا توجــه بــه نــوع متغیــر و اقلیــم
در محــدوده زمانــی 1986تــا 2005انتخــاب و مقایســه موردنظــر ،میتواننــد در بررســیهای تغییــرات اقلیمــی
میانگیــن بلندمــدت ماهانــه مؤلفههــای اقلیمــی (بــارش، مفیــد واقــع شــوند .بررســی پژوهشهــای پیشــین نشــان
دمــای بیشــینه و کمینــه) مشــاهداتی و شبیهسازیشــده میدهــد تاکنــون تحقیقــی مبنــی بــر مقایســه دو اقلیــم
ایســتگاههای همدیــدی تایبــاد و قوچــان طــی دورههــای متفــاوت در ســطح اســتان خراســان رضــوی بــا مدلهــای
واســنجی ( )1986( – )1999و دوره اعتبار ســنجی ()2005 ریزمقیاسنمایــی انجــام نشــدهاســت .بنابرایــن مطالعــه
– ( )2000بــا اســتفاده از مدلهــای مقیاسکاهــی مذکــور پیــشرو بــا هــدف کوچکمقیاسســازی پارامترهــای دمــا
شــده؛ Xi کــه در ایــن رابطــه N،دادههــای اســتاندارد آن را بــراي پیشبینــی اقلیــم آینــده در نظــر میگیــرد.
دادههــای مشــاهده شــده؛ ،Xminحداقــل دادههــای مشــاهده در نهایــت ،بــا برقــراري ارتبــاط بیــن خروجــی مدلهــاي
شــده و ،Xmaxحداکثــر دادههــای مشــاهده شــده میباشــد. اقلیمــی و دادههــاي مصنوعــی ایجادشــده توســط
در شــبکههای عصبــی ،بــرای انتقــال خروجیهــای هــر پیشبینــی کنندههــاي ،NCEPدادههــاي ریزمقیــاس
محــرک اســتفاده ّ الیــه بــه الیــه بعــدی ،از یــک تابــع شــده بــراي متغیرهــاي اقلیمــی در محــدوده مطالعاتــی
میشــود ( .)Maan et al., 2016در پژوهــش حاضــر از توابــع ایجــاد میگــردد (.)Kilsby et al., 2007
لــوگ ســیگموئید ،تانژانــت ســیگموئید و خطــی اســتفاده مدل ANN
گردیــد .همچنیــن ،بــه منظــور ســاخت شــبکه از کدنویســی مــدل شــبکه عصبــی مصنوعــی مــدل سادهشــدهای از
در محیــط نرمافــزار R-studioاســتفاده و پــس از اســتاندارد سیســتم عصبــی طبیعــی بــوده و هماننــد مغــز بــا پــردازش
نمــودن دادههــا ،مقــدار 70درصــد آن بــرای آمــوزش و 30 روی دادههــای تجربــی ،قابلیــت یادگیــری دارد .برتــری
درصــد باقیمانــده بــرای آزمــون در نظــر گرفتــه شــد. شــبکه عصبــی ،یادگیــری مســتقیم از روی دادههــا بــدون
ارزیابی روشهای ریزمقیاسنمایی نیــاز بــه بــرآورد مشــخصات آمــاری آنهــا اســت .ایــن
بهمنظــور مقایســه عملکــرد روشهــای مختلــف روش بــدون دانــش قبلــی از روابــط بیــن پارامترهــای مــورد
ریزمقیاسنمایــی مــورد ارزیابــی در ایــن مطالعــه ،از مطالعــه ،قــادر بــه پیداکــردن رابطــه بیــن مجموعــه ورودیها
پارامترهــای ضریــب تبییــن (( )R2رابطــه ،)2میانگیــن و خروجیهــا بــرای پیشبینــی خروجــی متناظــر بــا
مربعــات خطــا (( )RMSEرابطــه ،)3و خطــای مطلــق ورودی دلخــواه میباشــد ( .)Erfanian et al., 2012شــبکه
میانگیــن (( )MAEرابطــه )4اســتفاده شــد. عصبــی انتخــاب شــده بــرای تحلیــل دادههــا و شبیهســازی
ضریــب تبییــن عــددی بیــن صفــر و یــک بــوده و معمــوالً پارامترهــای اقلیمــی ،متشــکل از الیــه ورودی ،میانــی و
بــا درصــد عنــوان میگــردد .در خصــوص میانگیــن مربعــات خروجــی اســت کــه معمــاری آن بــر مبنــای ارتباطــات بیــن
خطــا و خطــای مطلــق میانگیــن ،واحــد اندازهگیــری نرونهــا در الیههــای مختلــف میباشــد .در تخمیــن تعــداد
بــا توجــه بــه پارامتــر موردنظــر عنــوان شــده و هــر چــه نرونهــا ،شــبکه مــورد نظــر بــا تعــداد نرونهــای مختلــف
ایــن اعــداد کمتــر بــوده و بــه صفــر نزدیکتــر باشــند، آزمایــش شــد و ســرانجام شــبکه بــا تعــداد 2نــرون انتخــاب
نشــاندهنده کارایــی بهتــر مــدل میباشــد. گردیــد .روش و قانــون خاصــی بــرای انتخــاب و تعبیــه تعــداد
𝑛𝑛 2
)) ̅𝑌𝑌 (∑𝑖𝑖=1(𝑋𝑋𝑖𝑖 − 𝑋𝑋̅)(𝑌𝑌𝑖𝑖 −
2
= 𝑅𝑅 𝑛𝑛
()2 مناســب نرونهــای الیههــا وجــود نــدارد و ایــن کار بســته
∑𝑖𝑖=1(𝑋𝑋𝑖𝑖 − 𝑋𝑋̅)2 (𝑌𝑌𝑖𝑖 − 𝑌𝑌̅)2
بــه تجربــه و مهــارت کاربــر شــبکه عصبــی و از طریــق آزمــون
∑𝑛𝑛𝑖𝑖=1(𝑋𝑋𝑖𝑖 − 𝑌𝑌𝑖𝑖 )2 ()3 و خطــا انجــام میشــود.
√ = 𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅
𝑁𝑁
در پژوهــش حاضــر بــه منظــور ریزمقیاسنمایــی دادههــای
| 𝑖𝑖𝑌𝑌 ∑𝑛𝑛𝑖𝑖=1|𝑋𝑋𝑖𝑖 −
= 𝑀𝑀𝑀𝑀𝑀𝑀 ()4 هواشناســی از مــدل شــبکه عصبــی پرســپترون چنــد الیــه
𝑁𝑁
اســتفاده گردیــد کــه یــک شــبکه پیشخــور چندالیــه،
نتايج و بحث شــامل یــک ورودی ،یــک یــا چنــد الیــه پنهــان و یــک الیــه
ریزمقیاسنمایی با استفاده از مدل SDSM خروجــی میباشــد .ا ّولیــن مرحل ـه قبــل از ورود دادههــا بــه
نتایــج مربــوط بــه شــاخصهای ارزیابــی مــدل SDSMدر شــبکه عصبــی مصنوعــی ،اســتاندارد نمــودن آنهــا اســت .از
خصــوص ریزمقیاسنمایــی پارامترهــای اقلیمــی کمینــه و آنجاییکــه دادههــای ورودی خــام ،ســرعت و د ّقــت شــبکه
بیشــینهی دمــا و بــارش در ایســتگاههای مــورد مطالعــه در را کاهــش میدهــد ،بایســتی دادههــای ورودی بــه شــبکه
جــدول ( )1و شــکلهای ( )2و ( )3ارائــه شــده اســت .مقایســه اســتاندارد گردنــد .در ایــن پژوهــش ،بهمنظــور نرمــال
تغییــرات پارامترهــای اقلیمــی در دادههــای مشــاهداتی و کــردن ،دادههــا بیــن 0/1و 0/9از رابطــه ( )1اســتفاده
دادههــای ریزمقیــاس شــده توســط مــدل SDSMنشــان داد گردیــد.
کــه دقــت مــدل در بــرآورد بیشــینه و کمینـهی دمــا در هــر ()1
و 0/53حاصــل گردیــده اســت و میــزان خطــای مــدل نیــز دو ایســتگاه تایبــاد و قوچــان باالتــر از بــارش اســت .باالتریــن
بــرای ایــن پارامتــر کمینــه میباشــد. ضریــب تبییــن مــدل بــرای پارامتــر کمینـهی دمــا بــوده کــه
در ایســتگاههای تایبــاد و قوچــان بــه ترتیــب مقادیــر 0/59
جدول .1نتایج مدل ریزمقیاسنمایی SDSMدر برآورد پارامترهای اقلیمی در ایستگاههای مطالعاتی
Table 1. Results of SDSM downscaling model of climatic parameters in study stations
میانگین مطلق خطا ریشه مجذور مربعات خطا ضریب تبیین پارامتر ایستگاه
)(MAE )(RMSE ) (R
2 Parameter Station
بیشینه دما
0.66 1.34 0.56
Max Temperature
کمینه دما تایباد
0.61 1.29 0.59
Min Temperature Taybad
بارش
1.20 1.74 0.43
Precipitation
0.83 1.55 0.50
بیشینه دما
Max Temperature
کمینه دما قوچان
0.71 1.69 0.53
Min Temperature Ghouchan
بارش
1.06 1.75 0.46
Precipitation
نتایــج ریزمقیاسنمایــی بــا اســتفاده ازمــدل همســو بــا یافتههــای پژوهــش حاضــر ،نتایــج پژوهــش
LARS-WG عســاکره و مطلبـیزاده ()Asakare and Motalebizad, 2017
جــدول ( )2و اشــکال ( )4و ( ،)5نشــاندهند ه شــاخصهای نشــان داد خروجــی مــدل SDSMدر ریزمقیاسنمایــی
ضریــب تبییــن ،ریشــه مجــذور مربعــات خطــا و میانگیــن دادههــای دمــا در ایســتگاه سســینوپتیک ارومیــه هرچنــد در
مطلــق خطــا بــرای دادههــای کمینــه و بیشــینهی دمــا و بعضــی ماههــا بــا واقعیــت تفــاوت کمــی داشــته ،امــا نتایــج
بــارش در ایســتگاههای تایبــاد و قوچــان بــا اســتفاده از مــدل شبیهســازی آن نزدیــک بــه دادههــای واقعــی میباشــد.
LARS-WGمیباشــد .دقــت مــدل در بــرآورد بیشــینه و همچنیــن در مطالع ـهای ،دقــت ســه روش ریزمقیاسنمایــی
کمینـهی دمــا در ایســتگاه تایبــاد باالتــر از ایســتگاه قوچــان آمــاری SDSM-DC ،LARS-WGو SVMمــورد ارزیابــی
اســت .در رابطــه بــا پارامتــر بــارش نیــز دقــت مــدل LARS- قــرار گرفــت ( .)Duan and Mei, 2014نتایــج گویــای ایــن
WGدر هــر دو ایســتگاه تقریبــاً مشــابه بــود و خطــای واقعیــت بــود کــه دقــت مدلهــای SDSMو LARSدر
قابــل قبولــی نیــز داشــت .امــا در مقایســه بــا مــدل SDSM تعییــن شــاخصهای حــدی اقلیمــی از مــدل SVMباالتــر
بــرای ریزمقیاسنمایــی بــارش نتایــج مــدل LARS-WG اســت .یافتههــای ایــن تحقیــق ،بــا نتایــج مطالعــات مشــابه
ضعیفتــر میباشــد .همســو بــا نتایــج ایــن تحقیــق، ســایر پژوهشــگران در زمینــه ریزمقیاسنمایــی بــا مــدل
هاشــمی و همــکاران ( )Hashemi et al., 2011بــه منظــور SDSMهمخوانــی دارد .در ایــن راســتا ،مطالعــات گــودرزی
ارزیابــی دقــت روشهــاي ریزمقیاسنمایــی در حوضــه کلوســا و همــکاران ( )Goudarzi et al., 2016و قاســمیفر و
واقــع در جنــوب نیوزیلنــد ،دو روش SDSMو LARS-WGرا همــکاران ( )Ghasemifar et al., 2016نشــان داد کــه مــدل
مــورد بررســی قــرار دادنــد .نتایــج پژوهــش مذکــور نشــان داد SDSMدارای توانایــی مناســبی در شبیهســازی دمــای
کــه دقــت دو روش مشــابه یکدیگــر بــوده و میتــوان از هــر حداقــل بــوده و باالتریــن ضریــب تبییــن و پایینتریــن
دو روش بــرای مطالعــات تغییــر اقلیــم بهرهگرفــت. خطــای مــدل نیــز مربــوط بــه کمینــهی دمــا میباشــد.
جدول .2نتایج مدل ریزمقیاسنمایی LARS-WGدر برآورد پارامترهای اقلیمی در ایستگاههای مطالعاتی
Table 2. Results of LARS-WG downscaling model of climatic parameters in study stations
میانگین مطلق خطا ریشه مجذور مربعات خطا ضریب تبیین پارامتر ایستگاه
)(MAE )(RMSE ) (R
2 Parameter Station
بیشینه دما
0.80 1.64 0.57
Max Temperature
کمینه دما تایباد
0.65 1.21 0.67
Min Temperature Taybad
بارش
0.91 1.78 0.42
Precipitation
0.95 1.59 0.52
بیشینه دما
Max Temperature
کمینه دما قوچان
0.43 0.94 0.66
Min Temperature Ghouchan
بارش
0.91 1.70 0.43
Precipitation
بــه 1نزدیکتــر باشــد ،بیانگــر تشــابه بیشــتر بیــن رفتــار ریزمقیاسنمایی با استفاده از ANN
دادههــای تولیدشــده و رفتــار دادههــای مشــاهداتی اســت. ضریــب تبییــن ،ریشــه مجــذور مربعــات خطــا و میانگیــن
همســو بــا یافتههــای ایــن پژوهــش ،زرفشــانی و جهانگیــر مطلــق خطــا دادههــای کمینــه و بیشــینهی دمــا و بــارش در
( )Zarfeshani and Jahangir, 2021در مطالعــهای بــه ایســتگاههای ســینوپتیک تایبــاد و قوچــان در جــدول ()3
منظــور پیشبینــی مقادیــر دمــا و بــارش اســتان اصفهــان و شــکلهای ( )6و ( )7ارائــه داده شــده اســت .همانطــور
بــر اســاس دو مــدل ریزمقیاسنمایــی LARSو SDSM کــه پیشتــر بیــان گردیــد ،مقــدار ضریــب تبییــن هرچــه
مقادیــر متوســط دمــای روزانــه ایســتگاه همدیــدی ارومیــه و روش شــبکهی عصبــی مصنوعــی گــزارش نمودنــد کــه
معرفــی نمــود .در واقــع مــدل ANNکمتریــن میــزان میــزان دقــت مــدل ریزمقیاسنمایــی شــبکهی عصبــی
دقــت و بیشتریــن میــزان خطــا را بــه خــود اختصــاص کمتــر از دو مــدل دیگــر میباشــد .در تأییــد یافتههــای
داده اســت .نظیــف و همــکاران ()Nazif et al., 2009 صحتســنجی مــدل شــبکه عصبــی مصنوعــی در ایــن
نیــز دقــت مــدل ANNرا در ریزمقیاسنمایــی مقادیــر تحقیــق ،میتــوان بــه نتایــج مطالعــه امیرآبــادی و
بیشــینه دمــای روزانــه ضعیــف معرفــی نمودنــد .همســو همــکاران ( )Amirabadizadeh et al., 2018اشــاره کــرد.
بــا پژوهــش حاضــر ،ســاجقه و همــکارانSalajegheh et( ، آنهــا در بررســی روشهــای هــوش مصنوعــی و رگرســیونی
)al., 2017اعــام داشــتند کــه در دو ایســتگاه کرمانشــاه جهــت ریزمقیاسنمایــی مقادیــر دمــای روزانــه گــزارش
و روانســر ،در هــر دو مرحلــه واســنجی و صحتســنجی نمودنــد کــه میتــوان شــش مــدل رگرســیون بــردار
دماهــای حداقــل و حداکثــر روزانــه ،عملکــرد دو الگــوی پشــتیبان ،رگرســیون چنــد متغیــره ،برنامهریــزی ژنتیــک،
SDSMو LARS-WGقابــل توجــه و مناســب اســت .ایــن سیســتمهای اســتنتاج فــازی ،ماشــین بــردار پشــتیبان و
نتایــج بــا مطالعــه ســبحانی و همــکاران (Sobhani et al., شــبکه عصبــی مصنوعــی را بــه ترتیــب بــر اســاس میــزان
)2017کــه بهمنظــور ارزیابــی الگوهــای ریزمقیاسنمایــی دقــت و کارایــی مــدل در جهــت بــرآورد و شبیهســازی
جعفــرزاده و همــکاران ( ،)Jafarzadehet al., 2016دو روش آمــاری SDSMو LARS-WGدر شبیهســازی متغیرهــای
یادشــده را در دشــت بیرجنــد ،بررســی نمودنــد و در نهایــت هواشناســی حوضــه آبریــز دریاچــه ارومیــه صــورت گرفتــه
اذعــان بــه عملکــرد مطلــوب آنهــا داشــتند. اســت ،همراســتا میباشــد .همچنیــن در بررســی دیگــری،
جدول .3نتایج مدل ریزمقیاسنمایی ANNدر برآورد پارامترهای اقلیمی در ایستگاههای مطالعاتی
Table 3. Results of ANN downscaling model of climatic parameters in study stations
میانگین مطلق خطا ریشه مجذور مربعات خطا ضریب تبیین پارامتر ایستگاه
)(MAE )(RMSE )(R2 Parameter Station
بیشینه دما
1.88 2.80 0.44
Max Temperature
کمینه دما تایباد
1.78 2.76 0.46
Min Temperature Taybad
بارش
2.11 3.19 0.34
Precipitation
1.81 2.87 0.41
بیشینه دما
Max Temperature
کمینه دما قوچان
1.73 2.74 0.45
Min Temperature Ghouchan
بارش
2.08 3.01 0.36
Precipitation
(2020). Assessing the Impact of Climate Change statistical downscaling methods and their model-
over the Northwest of Iran: An Overview of averaging ensemble for precipitation downscaling
Statistical Downscaling Methods, Theoretical and in China, Theoretical and Applied Climatology,
Applied Climatology, 141(1), 1-16. 116, 707-719.
Helmi, M. & Shahidi, A. (2023). The using of SPI and Erfanian, M., Ansari, H. & Alizadeh, A. (2012).
SPEI indices in evaluating the effect of drought Forecasting Precipitation and Temperature Using
on quality of surface water resources (Case study: Artificial Neural Networks (Case Study: Mashhad
Kashafroud river), Journal of Drought and Climate Station), Journal of Arid Regions Geographic
change Research, 1(1), 83-96. Studies, 3(11), 53-73. [In Persian]
Jafari Godeneh, M., Salajegh, A. & Haghighi, P. (2019). Ghasemifar, E., Alijani, B. & Salighe, M. (2016).
Forecast Comparative of Rainfall and Temperature Investigating the temperature changes of the
in Kerman County Using LARS-WG6 Models, southern shores of the Caspian Sea using three
EcoHydrology, 7(2), 529-538. [In Persian] models وLARSWG, SDSM and Artificial Neural
Jafarzadeh, A., Khashei-Siuki, A. & Shahidi, A. (2016). Network, Journal of Natural Geography, 9(4), 23-
assessment of statistical downscaling methods 41. [In Persian]
LARS-WG & SDSM in forecast of climate Goudarzi, M., Salahi, B. & Hosseini, S. A. (2016).
parameter variation, Journal of Water and Soil Performance Assessment of LARS-WG and SDSM
conservation, 23(4), 309-322. [In Persian] Downscaling Models in Simulation of Climate
Kilsby, C., Jones, P., Burton, A. & Ford, A. (2007). A Changes in Urmia Lake Basin, Iranian Journal of
daily weather generator for use in climate change Watershed Management Science and Engineering,
studies, Environmental Modelling & Software, 22, 9(31), 11-22. [In Persian]
1705-1719. Gulacha Metekiya, M. & Mulungu Deogratias, M.M.
Kundu, S., Khare, D. & Mondal, A. (2017). Individual (2017) Generation of Climate Change Scenarios
and combined impacts of future climate and land for Precipitation and Temperature at Local Scales
use changes on the water balance, Ecological Using SDSM in Wami-Ruvu River Basin Tanzania,
Engineering, 105, 42-57. Physics and Chemistry of The Earth, 100, 62-72.
Maan, A. K., Jayadevi, D. A. & James, A. P. (2016). A Hashemi, M.Z., Shamsedin, A.Y. & Melville, B.W.
survey of memristive threshold logic circuits, IEEE (2011). Comparison of SDSM and LARS-WG
Transactions on Neural Networks and Learning for simulation and downscaling of extreme
Systems, 28(8), 1734-1746 precipitation events in a watershed, Stochastic
Naderi, S., Goodarzi, M. & Ghadmi Dehno, M. (2017). Environmental Research and Risk Assessment, 25,
The Effect of Climate Change on Climatic 475-484.
Parameters in Seymareh Basin, Iranian Journal of Hassan, H., Aramaki, T., Hanaki, K., Matsu, T. & Wilby,
Watershed Management Science and Engineering, R.L. (1998). Lake Stratification and Temperature
11(39), 69-76. [In Persian] Profiles Simulated Using Downscaled GCM
Nazif, S., Karamouz, M., Falahi, M. & Rahimi Farahani, Output, Water Science and Technology, 38(11),
M. (2009). Long lead rainfall prediction using 217-226.
statistical downscaling and artificial neural network Hosseini, A., Eslahi, M., Sheikhbabaei, A. & Seifi, A. J.
(2015). Analysis and prediction of reference modeling, International Journal of Science &
evapotranspiration with climate change in Technology, 16(2), 166-172.
Xiangjiang River Basin, China, Water Science and Ramezani Moghadam, J., Yaghoobzadeh, M. &
Engineering, 4, 273-281. Jafarzadeh, A. (2018). Examination of Feature
Wilby, R. L., Dawson, C.W. & Barrow, E.M. (2002). Selection Methods for Downscaling of Daily
SDSM-A Decision Support Tool for the Assessment Precipitation in Two Different Climates, Journal of
of Regional Climate Change Impacts, Journal of Water and Soil, 32(4), 831-848. [In Persian]
Environmental Modeling and Software, 17(2), 145- Refsgaard, J.C., Atnbjerg-Nielsen, K., Drews, M.,
157. Halsnӕs, K., Jeppesen, E., Madsen, H., Markandya,
Wilks, D. (1992). Adapting stochastic weather generation A., Olesen, J.E., Porter, J.R. & Christensen,
algorithms for climate change s
tudies, Climate J.H. (2013). The Role of Uncertainty in Climate
Change, 22, 67-84. Change Adaptation Strategies – A Danish Water
Wilks, D.S. & Wilby, R.L. (1999). The Weather Management Example, Mitigation and Adaptation
Generation game: a review of Stochastic Weather trategies for Global Change, 18(3), 337-359.
S
Models, Progress in Physical Geography, 23(3), Rezaei, M., Nohtani, M., Abkar, A., Rezaei, M. &
329-357. Mirkazehi Rigi, M. (2014). Performance Evaluation
Yoosefdoost, I., Khashei-Siuki, A., Mohammadrezapour, of Statistical Downscaling Model (SDSM) in
O. & Tabari, H. (2021). Evaluating Performance of Forecasting Temperature Indexes in Two Arid
Four Statistical Downscaling Models (SDSM) of and Hyper Arid Regions (Case Study: Kerman
Precipitation and Temperature Data under the Fifth and Bam), Journal of Watershed Management
Assessment Report of the Intergovernmental Panel Research, 5(10), 117-131. [In Persian]
on Climate Change (IPCC) Scenario, Journal of Salajegheh, A., Rafiei Sardoii, E., Moghadamnia,
Climate Research, 12(45), 43-66. [In Persian] A., Malekian, Ar., Araghinejad, S., Khalighi
Zarfeshani, A. & Jahangir, M.H., (2021). The Isfahan Sigarodii, Sh. & Saleh Pourjam, A. (2017).
values of Temperature and Precipitation Forecast Performance Assessment of LARS-WG and SDSM
Based on Two Fine scale models LARS-WG and Downscaling Models in Simulation of Precipitation
SDSM and Artificial Neural Network Method, and Temperature, Iranian Journal of Soil and Water
Iranian journal of Irrigation and Drainage, 15(1), Research, 48(2), 253-262. [In Persian]
23-49. [In Persian] Samadi, S., Ehteramian, K. & Sarraf, B.S. (2011). SDSM
Zulkarnian, H., Shamsudin, S. & Harun, S. (2014). Ability in Simulate Predictors for Climate Detecting
Application of SDSM and LARS-WG for over Khorasan Province, Procedia-Social and
simulating and downscaling of rainfall and Behavioral Sciences, 3, 741-749.
temperature, Theoretical and Applied Climatology, Sobhani, B., Eslahi, M. & Babaeian, I. (2017).
116(1-2), 243-257. Comparison Of Statistical Downscaling in Climate
Change Models to Simulate Climate Elements in
Northwest Iran, Physical Geography Research
Quarterly, 49(2), 301-325. [In Persian]
Tao, X.E., Chen, H., Xu, C.Y., Hou, Y.K. & Jie, M.X.