مقایسه روشهای شبکه‌ی عصبی مصنوعی و SDSM در ریزمقیاس کردن اندازه‌ی بارش سالانه-ی شبیه‌سازی شده با HadCM3 (مطالعه‌ی موردی: کرمان، راور و رابر)

امروزه این باور وجود دارد که فعالیتهای انسانی، از جمله تغییر در پوشش و کاربری اراضی، موجب افزایش غلظت گاز‌های گلخانه‌ای می‌گردد، که پیامد آن برهم خوردن توازن کارمایه، گرم شدن اتمسفر، و در نهایت پدیده­ی تغییر اقلیم می‌باشد. پیش‌بینی بارندگی یکی از مهمترین مسائل در برنامه‌ریزی و مدیریت منابع آب می‌باشد. در این پژوهش، اندازه­ی بارندگی ایستگاههای کرمان، راور و رابر با استفاده از خروجیهای شبیهHadCM3 ، تحت نمایشنامه­ی A2، و از طریق شبیه‌های ریز مقیاس کننده­ی SDSM و شبکه­ی عصبی مصنوعی، برای سه دوره­ی 2039-2010، 2069-2040 و 2099-2070 میلادی پیش‌بینی شده است. ابتدا دوره­ی آماری 2001-1971، به عنوان دوره­ی پایه انتخاب شد. در ادامه، با توجه به معیارهای آماری، نتایج حاصل از دو شبیه مورد ارزیابی و مقایسه قرار گرفتند. یافته‌ها بیانگر عملکرد بالاتر شبیه شبکه­ی عصبی در ایستگاههای کرمان و راور می‌باشند. اندازه­ی بارندگی سالانه در ایستگاههای کرمان، راور و رابر تا سال 2099، در شبیه شبکه­ی عصبی به ترتیب 86/12، 68/11 و %39/11 و در شبیه SDSM 89/0، 48/18 و %55/1 نسبت به دوره­ی پایه کاهش می یابند.