نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

ارزیابی کارایی شبکه عصبی مصنوعی در ریزمقیاس‌نمایی دما و بارش با استفاده از خروجی مدل‌های اقلیمی CMIP6 (مطالعه موردی: حوضه آبریز درودزن)

نوع مقاله : مقاله پژوهشی

نویسندگان
محمدصادق کمالی
ابوالقاسم صیادی
حسین خورشیدی
گروه مهندسی عمران، دانشکده مهندسی، دانشگاه آزاد اسلامی، واحد مرودشت، مرودشت، ایران
10.22125/iwe.2026.592583.1938
چکیده
به‌دلیل تفکیک مکانی درشت خروجی مدل‌های گردش عمومی جو(GCMs) ، استفاده مستقیم از آن‌ها در مطالعات منابع آب و ارزیابی اثرات تغییر اقلیم امکان‌پذیر نیست؛ ازاین‌رو، ریزمقیاس‌نمایی این داده‌ها از اهمیت ویژه‌ای برخوردار است. هدف این پژوهش، ارزیابی کارایی شبکه عصبی مصنوعی (ANN) در ریزمقیاس‌نمایی دما و بارش خروجی مدل‌های اقلیمی CMIP6 در حوضه آبریز درودزن استان فارس است. بدین منظور، داده‌های مشاهداتی دما و بارش، بازتحلیل NCEP/NCAR و خروجی هشت مدل اقلیمی CMIP6 تهیه شد. عملکرد مدل‌های اقلیمی با استفاده از شاخص‌های ضریب تعیین (R²)، جذر میانگین مربعات خطا (RMSE) و میانگین قدر مطلق خطا (MAE) ارزیابی و مدل HadGEM3-GC31-LL به‌عنوان مناسب‌ترین مدل انتخاب شد. سپس، با استفاده از متغیرهای بزرگ‌مقیاس منتخب و توسعه مدل ANN در محیط MATLAB، ریزمقیاس‌نمایی انجام گرفت. نتایج نشان داد که مدل ANN در شبیه‌سازی دمای ماهانه عملکرد بسیار مطلوبی دارد، به‌طوری‌که ضریب تعیین در مراحل آموزش و آزمون 99/0 و مقادیر RMSE به‌ترتیب 0191/0 و 0194/0 درجه سانتی‌گراد به‌دست آمد. برای بارش نیز ضریب تعیین در مراحل آموزش و آزمون به‌ترتیب 84/0و 83/0 حاصل شد. نتایج پیش‌بینی اقلیم برای دوره 2025 تا 2050 نیز نشان داد که در تمامی سناریوهای انتشار، بارش سالانه حوضه روندی کاهشی و دمای هوا روندی افزایشی خواهد داشت و بیشترین شدت این تغییرات در سناریوی SSP5-8.5 مشاهده شد. به‌طور کلی، نتایج این پژوهش نشان داد که شبکه عصبی مصنوعی ابزاری کارآمد و قابل اعتماد برای ریزمقیاس‌نمایی خروجی مدل‌های اقلیمی CMIP6 و پیش‌بینی تغییرات اقلیمی در مقیاس حوضه آبریز است.
کلیدواژه‌ها
'ریزمقیاس‌نمایی'
'تغییر اقلیم'
'شبکه عصبی مصنوعی'
'دما'
'بارش'
موضوعات

عنوان مقاله English

Performance Evaluation of Artificial Neural Network for Downscaling Temperature and Precipitation Using CMIP6 Climate Model Outputs (Case Study: Dorudzan Watershed)

نویسندگان English

Mohammad Sadegh Kamali
Abolghasem Sayadi
Hossein Khorshidi
Department of Civil Engineering, Marv.C., Islamic Azad University, Marvdasht, Iran
چکیده English

Due to the coarse spatial resolution of General Circulation Model (GCM) outputs, their direct application in water resources studies and climate change impact assessments is limited. Therefore, downscaling these outputs is important. This study aimed to evaluate the performance of an Artificial Neural Network (ANN) for downscaling temperature and precipitation outputs from CMIP6 climate models in the Dorudzan Watershed, Fars Province, Iran. Observed temperature and precipitation data, NCEP/NCAR reanalysis data, and outputs from eight CMIP6 climate models were used. The performance of climate models was evaluated using the coefficient of determination (R²), root mean square error (RMSE), and mean absolute error (MAE), and the HadGEM3-GC31-LL model was selected as the most appropriate model for the study area. Subsequently, downscaling was performed using selected large-scale atmospheric variables and an ANN model developed in MATLAB. The results showed that the ANN model provided high accuracy in simulating monthly temperature, with an R² value of 0.99 in both training and testing stages. The RMSE values were 0.0191 and 0.0194°C for training and testing stages, respectively. For precipitation, R² values of 0.84 and 0.83 were obtained for the training and testing stages, respectively. Climate projections for 2025–2050 indicated an increasing trend in temperature and a decreasing trend in annual precipitation under all emission scenarios, with the greatest changes observed under the SSP5-8.5 scenario. Overall, the results demonstrated that ANN is an effective approach for downscaling CMIP6 climate model outputs and assessing future climate changes at the watershed scale.

کلیدواژه‌ها English

'
Statistical Downscaling'
Climate Change'
Artificial Neural Network (ANN)'
, '
Temperature'
,'
Precipitation'
تقوایی، س.ف.، خ. حسینی، و س.ع.ا. هاشمی. 1403. پیش­بینی تأثیر تغییر اقلیم بر تراز آب زیرزمینی با استفاده از الگوریتم­های فراتکاملی (مطالعه موردی: دشت ریز-بوشهر). مجله پژوهش آب ایران، جلد 18، شماره 2، پیاپی53، صص 48–39.
جعفری­گدنه، م.، ع. سلاجقه، و آ. ملکیان. 1400. بررسی تأثیر سناریوهای مختلف تغییر اقلیم بر نوسانات آب زیرزمینی در مناطق خشک و نیمه­خشک (مطالعه موردی: دشت کرمان). نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، سال یازدهم، شماره چهل و چهار، صص 275-252.
سلگی، ا.،  و م.ر. گلابی. ۱۴۰۴. آموزش کاربردی مدل‌های هوشمند. انتشارات دارالفنون. چاپ اول. ص380.
صیادی، ا.ق.، ن. طالب­بیدختی، م. نجارچی، و س.م.م. نجفی­زاده. 1398. تغییرات اقلیمی بر دما، بارش و رواناب حوضه درودزن استان فارس با استفاده از رویکرد میانگین گروهی چند تشبیهی. مهندسی منابع آب، دوره 12، شماره 43، صص 130-115.
کدخدا، ا.، غ.ع. فلاح قالهری، م. باعقیده، و س.ع.ر. فریدحسینی. 1398. مدلسازی عوامل اقلیمی مؤثر بر افت سطح آبهای زیرزمینی با رویکرد تغییر اقلیم (مطالعه موردی: دشت مشهد). مجله پژوهش آب ایران، جلد 13، شماره 3، صص 38-27.
نجفی، س.، ا. شرافتی، و ح. کاردان­مقدم. 1401. ارزیابی اثر تغییراقلیم بر تغییرات تراز آب زیرزمینی در آبخوان ساحلی ساری-نکا. نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، سال سیزدهم، شماره پنجم، صص 332-312.
Bi, D., M. Dix, S.J. Marsland, S. O'Farrell, A. Sullivan, R. Bodman, and et al. 2020. Configuration and spin-up of ACCESS-CM2, the new generation Australian Community Climate and Earth System Simulator Coupled Model. Journal of Southern Hemisphere Earth Systems Science, 70(1): 225-251. https://doi.org/10.1071/ES19040
Danabasoglu, G., J.F. Lamarque, J. Bacmeister, D.A. Bailey, A.K. DuVivier, J. Edwards, and et al. 2020. The Community Earth System Model version 2 (CESM2). Journal of Advances in Modeling Earth Systems, 12(2), e2019MS001916. https://doi.org/10.1029/2019MS001916
Dibike, B., and P. Coulibaly. 2006. Temporal neural networks for downscaling climate variability and extremes. Neural Networks, 19 (2):135-144. https://doi.org/10.1016/j.neunet.2006.01.003
Dunne, J.P., L.W. Horowitz, A.J. Adcroft, P. Ginoux, I.M. Held, J.G. John, and et al. 2020. The GFDL Earth System Model Version 4.1 (GFDL-ESM 4.1): Overall coupled model description and simulation characteristics. Journal of Advances in Modeling Earth Systems, 12 (11), e2019MS002015. https://doi.org/10.1029/2019MS002015
Eyring, V., S. Bony, G.A. Meehl, C.A. Senior, B. Stevens, R.J. Stouffer, and K.E. Taylor. 2016. Overview of the Coupled Model Intercomparison Project Phase 6 (CMIP6) experimental design and organization. Geoscientific Model Development, 9: 1937-1958, https://doi.org/10.5194/gmd-9-1937-2016
Hosseini Baghanam, A., V. Nourani, M. Bejani, and Ke, C.Q. 2024. Improving the statistical downscaling performance of climatic parameters with convolutional neural networks. Journal of Water and Climate Change, 15 (4): 1772-1796. https://doi.org/10.2166/wcc.2024.592
IPCC. 2021. Climate Change 2021: The Physical Science Basis. Cambridge University Press.
Kheir, A., A. Elnashar, and A. Mosad. 2023. An improved deep learning procedure for statistical downscaling of climate data. Heliyon, 9(7), e18200. https://doi.org/10.1016/j.heliyon.2023.e18200
Nourani, V., K. Khodkar, A. Hosseini Baghanam, S.A. Kantoush, and I. Demir. 2023.
Uncertainty Quantification of Deep Learning–Based Statistical Downscaling of Climatic Parameters.
Journal of Applied Meteorology and Climatology, 62(9): 1223-1242. https://doi.org/10.1175/JAMC-D-23-0057.1
Rana, M.M., S.K. Adhikary, T. Suzuki, and M. Mall. 2025. Multiple GCM-Based Climate Change Projections Across Northwest Region of Bangladesh Using Statistical Downscaling Model. Climate, 13(62):1-24. https://doi.org/10.3390/cli13030062
Samadi, S., A.M. Catherine, E. Wilson, and H. Moradkhani. 2013. Uncertainty analysis of statistical downscaling models using Hadley Centre Coupled Model. Theoretical and Applied Climatology, 114:673-690. https://doi.org/10.1007/s00704-013-0844-x
Solgi, A., H. Zarei, and S. Marofi. 2022. A new approach to use of wavelet transform for baseflow separation of Karst springs (case study: Gamasiyab spring). Applied Water Science, 12(264):1-15. https://doi.org/10.1007/s13201-022-01782-5
Swart, N.C., J.N.S. Cole, V.V. Kharin, M. Lazare, J.F. Scinocca, and et al. 2019. The Canadian Earth System Model version 5 (CanESM5.0.3), Geoscientific Model Development, 12: 4823-4873. https://doi.org/10.5194/gmd-12-4823-2019
Trenberth, K.E., A. Dai, R.M. Rasssen, and D.B. Parsons. 2003. The changing character of precipitation. Bulletin of the American Meteorological Society, 84 (9):1205-1217. https://doi.org/10.1175/BAMS-84-9-1205
Volodin, E.M., E.V. Mortikov, S.V. Kostrykin, V.Y. Galin, and et al. 2018. Simulation of the modern climate using the INM-CM48 climate model. Russian Journal of Numerical Analysis and Mathematical Modelling, 33(6): 367-374. https://doi.org/10.1515/rnam-2018-0032
Vörösmarty, C.J., P. Green, J. Salisbury, B. Richard, and R.B. Lammers. 2000. Global Water Resources: Vulnerability from Climate Change and Population Growth. Science, 289(5477): 284-288. https://doi.org/10.1126/science.289.5477.284
Williams, K.D., D. Copsey, E.W, Blockley, and et al. 2018. The Met Office Global Coupled Model 3.0 and 3.1 (GC3.0 and GC3.1) configurations. Journal of Advances in Modeling Earth Systems, 10(2): 357-380. https://doi.org/10.1002/2017MS001115
Wu, T., Y. Lu, Y. Fang, and et al. 2019. The Beijing Climate Center Climate System Model (BCC-CSM): the main progress from CMIP5 to CMIP6. Geoscientific Model Development, 12: 1573-1600. https://doi.org/10.5194/gmd-12-1573-2019
Yukimoto, S., H. Kawai, T. Koshiro, and et al. 2019. The Meteorological Research Institute Earth System Model version 2.0 (MRI-ESM2.0): Description and basic evaluation of the physical component. Journal of the Meteorological Society of Japan, 97(5): 931-965. https://doi.org/10.2151/jmsj.2019-051