%0 Journal Article %T بررسی عملکرد روش‌های ANN و SVR در ریزمقیاس نمایی بارش روزانه مناطق خشک %J تحقیقات آب و خاک ایران %I دانشگاه تهران %Z 2008-479X %A خاشعی سیوکی, عباس %A شهیدی, علی %A پوررضا بیلندی, محسن %A امیرابادیزاده, مهدی %A جعفرزاده, احمد %D 2018 %\ 09/23/2018 %V 49 %N 4 %P 781-793 %! بررسی عملکرد روش‌های ANN و SVR در ریزمقیاس نمایی بارش روزانه مناطق خشک %K تغییر اقلیم %K دوره‌های خشک و تر %K رگرسیون گام به گام %K CanESM2 %R 10.22059/ijswr.2018.237702.667720 %X 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. %U https://ijswr.ut.ac.ir/article_67047_88106a617d7ace1ea926b206fdd52a46.pdf