بررسي عملكرد روش‌هاي ANN و SVR در ريزمقياس نمايي بارش روزانه مناطق خشك

Performance Assessment of ANN and SVR for downscaling of daily rainfall in dry regions

مطالعات بررسي پيامدهاي تغيير اقليم بر منابع آب نيازمند تبديل رفتار متغيرهاي اقليمي شبيه­ سازي شده توسط خروجي مدل­هاي گردش عمومي، از يك مقياس بزرگ به يك مقياس محلي و مناسب است. فرآيند ريزمقياس نمايي به طور قابل‌توجهي نتايج مربوط به شبيه ­سازي مدل­هاي گردش عمومي را بهبود مي­ بخشد. با وجود اينكه مطالعات كمي در خصوص عملكرد روش­هاي ريزمقياس نمايي در مناطق خشك وجود دارد، اين پژوهش در نظر دارد تا كارايي روش­هاي آماري را به منظور ريزمقياس نمايي بارش روزانه بررسي نمايد. در اين مطالعه به منظور بررسي عملكرد روش ANN و SVM در ريزمقياس نمايي بارش روزانه مشاهداتي (1990-1960)، مقادير 26 متغير پيش­بيني كننده از خروجي مدل گردش عمومي CanESM2 در گزارش پنجم، براي مدت مشابه استفاده شد. نخست فرآيند انتخاب بهترين متغيرهاي پيش­بيني كننده توسط آزمون رگرسيون گام به گام پيش­رو انجام شد. به منظور بررسي توانمندي روش­هاي ريزمقياس نمايي از شاخص­هاي ارزيابي R2، RMSE و NSEبهره گرفته شد. همچنين به منظور تحليل بهتر از آزمون­هاي مقايسه­اي متعددي نظير بررسي عدم قطعيت، آماره­هاي توصيفي، دوره­هاي تر و خشك و بارندگي ماهانه استفاده شد. نتايج شاخص­هاي ارزيابي نشان داد كه در حالت كلي عملكرد دو روش­ در تخمين بارش نسبتاً مناسب مي­باشد. مقدار شاخص­هاي ارزيابي R2، RMSE و NSE در بهترين حالت به ترتيب معادل 48/0، 5/1 ميلي­متر در روز و 47/0 و متعلق به روش SVM با تابع كرنل Polynomial مي­باشد. مقايسه تغييرات بارندگي روزانه نشان داد عدم قطعيت تخمين زده شده در روش SVM به عدم­قطعيت مقادير مشاهداتي نزديك­تر مي­باشد. عملكرد روش­ها در تخمين آماره­هاي توصيفي نشان داد كه روش SVM با تابع كرنل Polynomial از برتري قابل­توجهي نسبت به ساير روش­ها برخوردار مي­باشد. مقايسه ميانگين بارش­هاي ماه به ماه در دوره آزمون نشان داد كه در ماه­ هاي با بارش بالا، عملكرد SVM بهتر از ANN مي­باشد. همچنين هر دو روش بارش در فصل تابستان را بيش از مقدار مشاهداتي ­برآورد نموده­اند. نتايج تشخيص روزهاي خشك نشان داد كه عملكرد روش­ها به يكديگر نزديك مي­باشد. در اين مقوله ANN حدود 96% روزهاي خشك را به درستي تشخيص داد. اما در تشخيص روزهاي تر عملكرد SVM در مقايسه با ANN بسيار بالاتر بود. بررسي توانمندي روش­ها در تخمين طول دوره­ هاي خشك نشان داد كه عملكرد دو روش در تخمين دور ه­ هاي بحراني خشك بهتر از دور ­هاي خشك با طول كم مي­باشد. همچنين نتايج مربوط به تخمين طول دوره­هاي تر نشان داد كه دقت روش­ها مناسب نمي­باشد.

Studies of climate change impacts on water resources need to conversion of projection of climate variable pattern from coarser scales to a suitable scale. Downscaling processes improves projection of General Circulation Models (GCMs) significantly. In this study is assessed performance of Artificial Neural Network and Support Vector Regression. Observation rainfall was collected for 1961-1990 from Birjand synoptic station. Also value of 26 predictors from CanESM2 output in Assessment Report Five (AR5) was extracted. Predictor selection was performed by Stepwise regression. Model skill was evaluated using indices R2, RMSE and NSE. Also for better analysis using of various tests such as uncertainty assessment, reproduction of descriptive statistics, dry and wet spells and monthly rainfall. Results of assessment indices showed that estimation performances of both methods in daily rainfall are relatively suitable. Value of R2, RMSE and NSE are achieved 0.48, 1.5 mm and 0.47 for SVR with Polynomial kernel function in best case respectively. Results of skill model in estimation of descriptive statistics indicated that SVR with Polynomial kernel function outperforming others. Comparison of observed and downscaled monthly rainfall illustrates that SVR performs better than ANN in winter season. Also both methods have overestimation in summer months. Results of identification of dry days sowed that performance of both models is well and same. In this case ANN identified 96% dry days correctly. Results of identification of wet days showed that SVR outperforms ANN. Assessment of skill method for estimation of dry spells length indicated that both methods have more efficiently in long spells than short