بررسی عملکرد روشهای ANN و SVR در ریزمقیاس نمایی بارش روزانه مناطق خشک
نویسندگان
1 دانشیار گروه مهندسی آب دانشگاه بیرجند
2 استادیار گروه علوم و مهندسی آب دانشگاه بیرجند
3 دانشجوی دکتری مهندسی منابع آب، دانشکده کشاورزی، دانشگاه بیرجند
4 دانشیار دانشگاه بیرجند
5 استادیار گروه علوم و مهندسی آب، دانشگاه بیرجند
doi
10.22059/ijswr.2018.237702.667720چکیده
مطالعات بررسی پیامدهای تغییر اقلیم بر منابع آب نیازمند تبدیل رفتار متغیرهای اقلیمی شبیهسازی شده توسط خروجی مدلهای گردش عمومی، از یک مقیاس بزرگ به یک مقیاس محلی و مناسب است. فرآیند ریزمقیاس نمایی به طور قابلتوجهی نتایج مربوط به شبیهسازی مدلهای گردش عمومی را بهبود میبخشد. با وجود اینکه مطالعات کمی در خصوص عملکرد روشهای ریزمقیاس نمایی در مناطق خشک وجود دارد، این پژوهش در نظر دارد تا کارایی روشهای آماری را به منظور ریزمقیاس نمایی بارش روزانه بررسی نماید. در این مطالعه به منظور بررسی عملکرد روش ANN و SVM در ریزمقیاس نمایی بارش روزانه مشاهداتی (1990-1960)، مقادیر 26 متغیر پیشبینی کننده از خروجی مدل گردش عمومی CanESM2 در گزارش پنجم، برای مدت مشابه استفاده شد. نخست فرآیند انتخاب بهترین متغیرهای پیشبینی کننده توسط آزمون رگرسیون گام به گام پیشرو انجام شد. به منظور بررسی توانمندی روشهای ریزمقیاس نمایی از شاخصهای ارزیابی R2، RMSE و NSEبهره گرفته شد. همچنین به منظور تحلیل بهتر از آزمونهای مقایسهای متعددی نظیر بررسی عدم قطعیت، آمارههای توصیفی، دورههای تر و خشک و بارندگی ماهانه استفاده شد. نتایج شاخصهای ارزیابی نشان داد که در حالت کلی عملکرد دو روش در تخمین بارش نسبتاً مناسب میباشد. مقدار شاخصهای ارزیابی R2، RMSE و NSE در بهترین حالت به ترتیب معادل 48/0، 5/1 میلیمتر در روز و 47/0 و متعلق به روش SVM با تابع کرنل Polynomial میباشد. مقایسه تغییرات بارندگی روزانه نشان داد عدم قطعیت تخمین زده شده در روش SVM به عدمقطعیت مقادیر مشاهداتی نزدیکتر میباشد. عملکرد روشها در تخمین آمارههای توصیفی نشان داد که روش SVM با تابع کرنل Polynomial از برتری قابلتوجهی نسبت به سایر روشها برخوردار میباشد. مقایسه میانگین بارشهای ماه به ماه در دوره آزمون نشان داد که در ماههای با بارش بالا، عملکرد SVM بهتر از ANN میباشد. همچنین هر دو روش بارش در فصل تابستان را بیش از مقدار مشاهداتی برآورد نمودهاند. نتایج تشخیص روزهای خشک نشان داد که عملکرد روشها به یکدیگر نزدیک میباشد. در این مقوله ANN حدود 96% روزهای خشک را به درستی تشخیص داد. اما در تشخیص روزهای تر عملکرد SVM در مقایسه با ANN بسیار بالاتر بود. بررسی توانمندی روشها در تخمین طول دورههای خشک نشان داد که عملکرد دو روش در تخمین دورههای بحرانی خشک بهتر از دورههای خشک با طول کم میباشد. همچنین نتایج مربوط به تخمین طول دورههای تر نشان داد که دقت روشها مناسب نمیباشد.