مقايسه روش‌هاي يادگيري ماشين در انتخاب پيش‌بيني‌كننده‌هاي مدل‌هاي گردش عمومي جو-اقيانوسي براي ريزمقياس‌نمائي دماي بيشينه (مطالعه موردي: بيرجند)

افزايش غلظت گازهاي گلخانه اي در اتمسفر باعث تغييرات زيادي در مؤلفه هاي اقليمي كره زمين شده است كه اين تغييرات در پارامترهاي اقليمي به صورت افزايشي يا كاهشي است. امروزه تغيير اقليم يكي از چالش‌هاي بشر در بهره‌برداري و مديريت منابع آب است، همچنين شرايط كنوني آب و هواي جهاني نشان دهنده افزايش خطرات ناشي از پديده خشكي در بسياري از مناطق جهان در آينده است. مدل‌هاي گردش كلي جوي يكي از مهم‌ترين و پركاربردترين روش‌ها در مطالعات تغييرات اقليمي در مقياس منطقه اي مي‌باشد. يكي از اولويت هاي اصلي ريزمقياس‌نمايي آماري انتخاب پيش‌بيني‌كننده ها به عنوان ورودي به مدل ريزمقياس‌نمايي در پژوهش مي باشد. براي انتخاب پيش‌بيني‌كننده هاي مهم از بين 26 متغير جو بالا، از چهار الگوريتم يادگيري ماشين شامل لاسو، ستيغي، GBM، SPSA در ريزمقياس‌نمايي آماري دماي بيشينه در ايستگاه بيرجند استفاده گرديد و عملكرد اين روش‌ها با سه شاخص نش-ساتكليف نسبي، كلينگ-گوپتا و بازده حجمي در بخش صحت‌سنجي مورد بررسي قرار گرفت. نتايج نشان داد كه بيشترين ميزان اهميت براي مؤلفه سرعت نصف‌النهاري نزديك سطح و كمترين مقدار آن در مؤلفه سرعت مداري در ارتفاع 500 هكتو پاسكال مي باشد كه مقادير آن به‌ترتيب 73.2% و 15% تعيين شد. همچنين نتايج شاخص هاي ارزيابي عملكرد نش- ساتكليف نسبي و كلينگ-گوپتا، نشان دادند كه الگوريتم SPSA داراي عملكرد بهتري از ساير الگوريتم ها درانتخاب پيش‌بيني‌كننده ها و به تبع آن ريزمقياس‌ نمائي دماي بيشينه مي باشد. مقايسه ميانگين و واريانس خروجي ريزمقياس شده توسط الگوريتم هاي مورد استفاده و داده هاي مشاهداتي در بخش صحت‌سنجي نشان داد كه الگوريتمSPSA  نسبت به ساير الگوريتم ها در باز توليد ميانگين و واريانس دماي بيشينه مشاهداتي در ايستگاه سينوپتيك بيرجند داراي توانايي بيشتري مي باشد.