فهرست نشریات علمی دسترسی آزاد ایران

افزایش غلظت گازهای گلخانه­ای در اتمسفر باعث تغییرات زیادی در مؤلفه­های اقلیمی کره زمین شده است که این تغییرات در پارامترهای اقلیمی به صورت افزایشی یا کاهشی است. امروزه تغییر اقلیم یکی از چالش‌های بشر در بهره‌برداری و مدیریت منابع آب است، همچنین شرایط کنونی آب و هوای جهانی نشان دهنده افزایش خطرات ناشی از پدیده خشکی در بسیاری از مناطق جهان در آینده است. مدل‌های گردش کلی جوی یکی از مهم‌ترین و پرکاربردترین روش‌ها در مطالعات تغییرات اقلیمی در مقیاس منطقه­ای می‌باشد. یکی از اولویت­های اصلی ریزمقیاس‌نمایی آماری انتخاب پیش‌بینی‌کننده­ها به عنوان ورودی به مدل ریزمقیاس‌نمایی در پژوهش می­باشد. برای انتخاب پیش‌بینی‌کننده­های مهم از بین 26 متغیر جو بالا، از چهار الگوریتم یادگیری ماشین شامل لاسو، ستیغی، GBM، SPSA در ریزمقیاس‌نمایی آماری دمای بیشینه در ایستگاه بیرجند استفاده گردید و عملکرد این روش‌ها با سه شاخص نش-ساتکلیف نسبی، کلینگ-گوپتا و بازده حجمی در بخش صحت‌سنجی مورد بررسی قرار گرفت. نتایج نشان داد که بیشترین میزان اهمیت برای مؤلفه سرعت نصف‌النهاری نزدیک سطح و کمترین مقدار آن در مؤلفه سرعت مداری در ارتفاع 500 هکتو پاسکال می­باشد که مقادیر آن به‌ترتیب 2/73% و 15% تعیین شد. همچنین نتایج شاخص­های ارزیابی عملکرد نش- ساتکلیف نسبی و کلینگ-گوپتا، نشان دادند که الگوریتم SPSA دارای عملکرد بهتری از سایر الگوریتم­ها درانتخاب پیش‌بینی‌کننده­ها و به تبع آن ریزمقیاس‌­نمائی دمای بیشینه می­باشد. مقایسه میانگین و واریانس خروجی ریزمقیاس شده توسط الگوریتم­های مورد استفاده و داده­های مشاهداتی در بخش صحت‌سنجی نشان داد که الگوریتمSPSA  نسبت به سایر الگوریتم­ها در باز تولید میانگین و واریانس دمای بیشینه مشاهداتی در ایستگاه سینوپتیک بیرجند دارای توانایی بیشتری می­باشد.