| کاربرد مدل جنگل تصادفی در ریزمقیاس سازی بارندگی کرمانشاه تحت سناریو اجتماعی-اقتصادی SSP585 گزارش ششم تغییر اقلیم |
| کد مقاله : 1152-IHA |
| نویسندگان |
|
آرینا الماسی *1، افشین اقبال زاده2 1کارمند 2هیات علمی دانشگاه رازی |
| چکیده مقاله |
| در پژوهش حاضر، دقت مدل‌های گردش عمومی گزارش ششم تغییر اقلیم در شبیه‌سازی بارندگی ماهانه‌ی منطقه مطالعاتی ایستگاه هواشناسی کرمانشاه مورد ارزیابی قرارگرفته است. مدل‌های مورداستفاده CanESM5/ MRI-ESM2-0 / MIROC6 هستند. برای ریزمقیاس نمایی خروجی‌های سه مدل گردش عمومی CMIP6 از مدل یادگیری ماشین (ML)، شامل مدل جنگل تصادفی( Randon forest) استفاده می‌شود. مدل‌های کاهش مقیاس مبتنی بر یادگیری ماشین (ML) همچنین، برای پیش‌بینی بارندگی ماهانه برای آینده نزدیک (2026 تا 2050)، آینده میانه (2051 تا 2075) و آینده دور (2076 تا 2100) برای سناریو (SPP5) استفاده‌شده‌اند. اندازه‌گیری‌های تاریخی (1990-2014) و مشاهده‌شده (1990-2017) بارندگی ماهانه در یک ایستگاه کرمانشاه به دو بخش جهت آموزش و آزمودن مدل تقسیم می‌شوند. نتایج بررسی رتبه‌بندی مدل‌های اقلیمی بر اساس توانایی آن‌ها در تصویرسازی‌های اقلیمی نشان داد که مدل‌های برتر بسته به اقلیم نواحی مختلف، متفاوت هستند. با بررسی روند تغییرات مدل RF هر سه سناریو مدل پیش‌بینی CanESM5 بیشترین شباهت را با مدل RF دارد و پیش‌بینی‌های داده بعد از ریزمقیاس نمایی مدل‌های CanESM5, MRI-ESM2-0, MIROC6 برای منطقه موردمطالعه برای آینده بارندگی ماهانه تا سال 2100 کاهش 32 درصدی بارندگی نشان می‌دهد. |
| کلیدواژه ها |
| گزارش ششم تغییر اقلیم CMIP6، بارندگی ماهانه، ریزمقیاس نمایی، الگوریتم یادگیری ماشین (Machine Learning) |
| وضعیت: پذیرفته شده برای ارائه شفاهی |
