تركيب روش استخراج مشخصه با ريزمقياس نمايي آماري مبتني بر تركيب مدل هاي هوش مصنوعي

The conjunction of feature extraction method with AI-based ensemble statistical downscaling models

در اين پژوهش از دو مدل گردش عمومي جو (Can-ESM2, BNU-ESM) (GCM براي شبيه سازي بارش دوره آتي در شهر تبريز، استفاده شده است. مهم ترين ضعف مدل هاي GCM، بزرگ بودن مقياس مكاني متغيرهاي اقليمي شبيه سازي شده است كه روش هاي مختلف ريزمقياس نمايي درصدد رفع اين نقيصه مي باشند. در اين مطالعه براي ريزمقياس نمودن متغيرهاي اقليمي مدل هاي GCM، از مدل هاي هوش مصنوعي شبكه عصبي مصنوعي ( ANN) و نروفازي ( ANFIS)، بهره گرفته شده است. بدون شك اصلي ترين مرحله به هنگام استفاده از اين مدل ها، انتخاب مناسب ترين ورودي از ميان داده هاي بسيار متعدد ارائه شده توسط GCM ها مي باشد. بنابراين در اين مطالعه براي انتخاب پارامترهاي ورودي مؤثر از روش هاي درخت تصميم و تابع اطلاعات مشترك ( MI) استفاده شده است. هم چنين روش تركيب مدل براي كاهش عدم قطعيت در ريزمقياس نمايي و افزايش دقت پيش بيني استفاده شده است. در اين پژوهش مقايسه نتايج روش هاي ريزمقياس نمايي نشان داد كه، مدل تركيبي با موثرترين ورودي هاي تعيين شده با درخت تصميم نتايج مناسب تري ارائه مي دهد. به طوريكه در هر دو مدل GCM، به كارگيري مدل تركيبي با پيش بيني كننده هاي مبتني بر درخت تصميم نسبت به مدل هاي ANN و ANFIS در ريزمقياس نماي سبب افزايش DC 10%-38 در مدلسازي بارش مي گردد. پيش بيني بارش ايستگاه سينوپتيك تبريز با مدل تركيبي نشان داد كه بارش دوره آتي 2020-2060 تحت سناريوهاي RCP4.5 و RCP8.5 تا %40-% 30 كاهش مي يابد..

In this study, two general circulation models (GCMs) (Can-ESM2, BNU-ESM) were used to simulate the future precipitation of Tabriz city. The weakness of GCMs is the coarse resolution of climate variables in which the different methods of downscaling is about to solve this deficiency. In this study, the Artificial Intelligence (AI) models i.e., Artificial Neural Network (ANN) and Adaptive neuro fuzzy inference system (ANFIS) were used to statistically downscale the climate variables of GCMs. Without any doubt, the most important step during the use of these models, is selecting of the dominant inputs among huge of large-scale GCM data. So in this study for the selection of dominant inputs, decision tree and mutual information (MI) feature extraction methods were used. Also, the ensemble techniques were used to evaluate the efficiency of downscaling models and to decrease the uncertainties. Comparison the result of downscaling models indicated that the ensemble technique (i.e., hybrid of ANN and ANFIS) with dominant inputs based on decision tree feature extraction method presents better performance. In both GCMs, the application of the ensemble downscaling couple with dominant predictors based on decision tree model in precipitation downscaling showed 10%-38% increase in DC in versus the individual ANN and ANFIS downscaling models. The projection precipitation of Tabriz synoptic station for future (2020-2060) by proposed ensemble AI- based model indicated 30%-40% precipitation decreases under RCP4.5 and RCP8.5 scenarios.