مقايسه دو روش نرو فازي و ASD در پيش بيني تغييرات اقليمي (مطالعه موردي: ايستگاه سينوپتيك كرمان)

Comparison between Neuro-Fuzzy and ASD Methods to Predict Climate Change, Case Study: Synoptic Station of Kerman (1971-2000)

يكي از روش هاي پيش بيني تغييرات اقليمي استفاده از داده هاي بدست آمده از خروجي مدل هاي جهاني اقليم GCM است. قدرت تفكيك مدل هاي جهاني اقليم به حدود 000/40 كيلومتر مربع مي رسد. فاصله زياد گره هاي شبكه از يكديگر استفاده از خروجي اين مدل ها را محدود مي سازد. اين تحقيق با استفاده از داده هاي NCEP و GCM انجام و از روش ريز مقياس نمايي آماري براي مدلسازي چهار پارامتر بارندگي روزانه، درجه حرارت ميانگين، درجه حرارت حداكثر و درجه حرارت حداقل و بارش روزانه استفاده شده است. ريز مقياس نمايي آماري به كمك مدل نرو فازي و ASD (Automated Statistical Downscaling) براي دوره30 ساله (2000-1971) در ايستگاه سينوپتيك كرمان انجام شده است. از 15 سال اول داده ها (1985-1971) براي واسنجي و محاسبه ضرايب مدل و از 15 سال دوم (2000-1986) براي ارزيابي نحوه ي عملكرد مدل استفاده شده است. يكي از مهم ترين مراحل انجام ريزمقياس نمايي آماري انتخاب متغيرهاي غالب مي باشد، براي انتخاب متغير هاي غالب از تركيب روش الگوريتم ژنتيك و ASD استفاده شده است. مقادير كم واريانس توضيح داده شده مدل هاي بارندگي بيانگر پيچيده تر بودن پديده بارندگي نسبت به دما مي باشد. با استفاده از داده هاي نسل سوم مدل جهاني اقليم (CGCM3A2) پارامترهاي درجه حرارت و بارندگي براي دوره هاي سي ساله (2040-2011)، (2070-2041) و (2100-2071) پيش بيني و با دوره سي ساله (2000-1971) مقايسه شده است. نتايج حاصل نشان مي دهند كه تطابق بسيار خوبي بين شاخص هاي محاسبه شده بر اساس خروجي مدل هاي نرو فازي و مقادير مشاهداتي وجود دارد. نتايج افزايش درجه حرارت حداكثر و ميانگين را در تمام ماه هاي سال براي دوره هاي اقليم آينده نسبت به دوره (2000-1971) نشان مي دهد، در حاليكه درجه حرارت حداقل در بعضي موارد روند نزولي داشته است. برخلاف درجه حرارت، بارندگي روند يكساني در دروه هاي مختلف ندارد. همچنين نتايج حاصله از عملكرد شاخص هاي بارش با استفاده از مدل نرو فازي نشان داد كه اين مدل نسبت به مدل ASD كه مدلي خطي است، ضعيف تر عمل مي كند.

Many climate change impact studies require information at a finer resolution than that provided by Global Climate Models (GCMs). In this study, performance of two statistical models namely, ANFIS and ASD, for downscaling daily precipitation (occurrence and amount) and temperature has been compared. A combination method of Genetic algorithm and ASD was employed to identify downscaling predictors that have the most significant influence on the study variables for a 30 years period of 1971 to 2000 in Kerman Station, south east of Iran. The first 15 years of data (1971 to 1985) were used for calibration and rest was kept for evaluation. One of the main steps in downscaling is choosing the most dominant variables. The results revealed that in case of precipitation, these variables are relative and specific humidity at 500 HPa, surface airflow, strength, 850 HPa zonal velocities and 500 HPa geopotential heights. For modeling temperature, mean sea level pressure, surface vorticity and 850 HPa geopotential heights were the most dominant variables. Outputs from the third generation Canadian Coupled Global Climate Model (CGCM3 were used to test two models over the current period (i.e. 1971-2000), and comparing the results with observed temperature and precipitation in Kerman station. Results indicated that the agreement of simulations with observations depends on the GCMs atmospheric variables used as ‘‘predictors’’ and the performance of the statistical downscaling model vary for different seasons. The results showed a slight increase in temperature in future period comparing to baseline (1971-2000). The comparison of ANFIS and ASD models indicated that they performed well for temperature with almost similar results, but ASD model performed better in projecting precipitation than ANFIS.