Investigation Conformity of ANN and TS Models with Emission Scenarios for the Prediction of Maximum and Minimum Temperatures (Case Study: Synoptic Stations Located in Lake Urmia Watershed)

Abstract

میانگین دمای سطح زمین بعلت انتشار گازهای گلخانه‌ای در حال افزایش است و بدلیل اینکه تعیین میزان انتشار این گازها برای دوره‌های آتی بطور قطعی ممکن نیست، لذا از سناریوهای انتشار که در بردارنده چگونگی تغییرات این گازها طی دوره‌های آتی است استفاده می‌گردد. مدل‌هایی مانند شبکه عصبی مصنوعی و سری‌ زمانی بدون در نظر گرفتن اثر گازهای گلخانه‌ای به پیش‌بینی متغیرهای اقلیمی می‌پردازند که خود می‌تواند منشا خطای چشم‌گیری باشد. هدف از انجام این تحقیق بررسی میزان مطابقت نتایج حاصل از مدل‌های شبکه عصبی مصنوعی و سری‌ زمانی با سناریو‌های انتشار می‌باشد. جهت انجام این مطالعه از داده‌های اقلیمی سه ایستگاه سینوپتیک ارومیه، تبریز و خوی طی 50 سال گذشته (2010-1961) استفاده شد. ابتدا دمای حداقل و حداکثر با استفاده از روش‌های شبکه عصبی و سری زمانی برای 18 سال آتی پیش‌بینی شد و سپس با استفاده از قابلیت‌های نرم‌افزار LARS-WG و تحت دو سناریوی A2 و B1 نیز دمای حداقل و حداکثر برای 18 سال آینده تولید گردید. با بکارگیری آماره‌های MAE و RMSE، میزان اختلاف میان این دو مدل و سناریوهای انتشار بررسی گردید. نتایج نشان داد روش ‌شبکه عصبی نسبت به مدل سری زمانی از توانایی بالاتری در پیش‌بینی دما، مطابق با سناریوهای انتشار برخوردار است. میانگین RMSE ایستگاه‌ها برای مدل ANN در حدود 22/0 و در مدل TS 81/0می‌باشد. مقایسه دو مدل نشان می‌دهد مدل ANN، دمای حداکثر را دقیق‌تر از مدل TS شبیه‌سازی می‌کند