تأثير تغيير اقليم بر درجه حرارت حوضه آبريز زاينده رود با استفاده از محاسبات نرم يادگيري ماشيني بيزين

The Effect of Climate change on the Zayandeh-Rud River Basin’s temperature using a Bayesian machine learning Soft Computing Technique

هدف از اين مطالعه، آناليز تغييرات درجه حرارت حداقل و حداكثر طي دوره آتي (2015 الي 2100) در حوضه آبريز زاينده رود اصفهان مي باشد. 14 مدل GCM مربوط به پنجمين گزارش ارزيابي تغيير اقليم جهت استخراج خروجي مدل هاي تغيير اقليم انتخاب شدند. اين خروجي ها تحت سه سناريوي انتشار RCP5 RCP2.6 و RCP8.5 استخراج شدند. براي پيش بيني اثر سناريوهاي مختلف تغيير اقليم بر درجه حرارت در سال ها و دوره هاي آتي در مقياس هاي محلي يك فرايند آماري ريژ مقياس نمايي جديد با استفاده از روش هاي يادگيري ماشين بردار پشتيبان به كار برده شد. نتايج وزن دهي مدل هاي GCM مختلف نيز نشان داد كه اين مدل ها، داراي دقت متفاوتي در برآورد ميزان دماي حداكثر و حداقل در آينده بودند. مدل MIR0C5 بيشترين دقت را در برآورد درجه حرارت حداكثر و مدل CCSM4 بيشترين دقت را در برآورد درجه حرارت حداقل دارا بود. بيشترين مقدار افزايش دما براي هر دو دماي حداقل و حداكثر در فصل زمستان مشاهده شد. تغييرات سالانه درجه حرارت حداكثر نيز نشان دهنده افزايش دماي بين 0/18 تا 0/76 در سناريوهاي انتشار مختلف براي دوره دراز مدت و 0/25 تا 1/67 درجه سانتي گراد در دوره آينده دور مي باشد. تغييرات سالانه دماي حداقل نيز نشان دهنده افزايش دماي بين 0/28 تا0/82 درجه سانتي گراد در حالت ميانگين درازمدت و 0/24 تا 1/56 درجه سانتي گراد در حالت آينده دور تحت سناريوهاي انتشار مختلف مي باشد. در حالت كلي تغييرات درجه حرارت حداكثر اندكي بيشتر از تغييرات درجه حرارت حداقل در آينده مي باشد.

This study aims to investigate the changes of minimum and maximum temperature variables under the impact of climate change for time period of 2015-2100 in the Zayandeh-Rud River Basin. The outputs of 14 Global Climate Models (GCMs) under three green-house emission scenarios (RCP2.6, RCP4.5, and RCP8.5) are employed from the Fifth Assessment Report (CMIP5) of Intergovernmental Panel on Climate Change (IPCC). A novel statistical downscaling method using a Bayesian Relevance Vector Machine (RVM) is used to project the impact of climate change on the temperature variables at regional scale. The results of the weighting average of the GCMs show that the various models have different accuracy in the projecting the minimum and maximum temperatures in the study area. The results demonstrate that the MIROC5 and CCSM4 are the most reliable models in projecting the maximum and minimum temperatures, respectively. The highest increase for both maximum and minimum temperatures was obtained in winter. On the annual basis, the maximum temperature will increase by 0.18-0.76 °C and 0.25-1.67 °C, respectively, in the near and long-term future periods under different emission scenarios. The annual minimum temperature will increase by 0.28 to 0.82 °C and 0.24-1.56 °C, respectively, in the near and long-term future periods. In a general view, changes in maximum temperature will be slightly higher than minimum temperature changes in the future.