استفاده از روش PCA برای تعیین پیشبینی کنندههای بزرگمقیاس در ریزمقیاس نمایی آماری دما و بارش شهر تبریز بر پایه هوش مصنوعی
کورش شکوری
فنی و مهندسی عمران
۱۴۰۱
۶۷ص.
سی دی
کارشناسی ارشد
مهندسی عمران محیط زیست
۱۴۰۱/۰۶/۱۵
پیشبینی تغییرات اقلیمی منطقهای یکی از چالشهای مطالعات زیست محیطی است که با استفاده از مدلهای گردش عمومی (GCM) انجام میشود. وضوح درشت دادههای GCM ما را نیازمند روشهای متعدد ریزمقیاسنمایی خطی و غیرخطی مینماید. یکی از این روشها، ریزمقیاسنمایی آماری است که رابطهی بین متغیرهای اقلیمی بزرگ مقیاس و دادههای مقیاس محلی را شناسایی میکند. از آنجایی که شناسایی چنین روابطی از طریق روشهای مختلف امکان پذیر است، در این تحقیق از شبکه عصبی مصنوعی(ANN) برای ریزمقیاسنمایی بارش و دمای شهر تبریز استفاده شده است. دادههای مورد استفاده در این تحقیق از چهار نقطه شبکه در اطراف شهر تبریز از مدلهای CanESM5 حاصل از پروژه مقایسه مدلهای جفت شده 6 (CMIP6) به دست آمده است که منتج به ابعاد بالای دادهها میشود. برای بهرهمندی دقیقتر از مدل مبتنی بر ANN، غربالگری پیشبینیکنندهها توسط روش همبستگی Pearson، تحلیل مؤلفههای اصلی (PCA) به همراه الگوریتم خوشهبندی K-means و روش اطلاعات متقابل (MI) برای کاهش ابعاد پیشبینیکنندههای بالقوه و در عین حال حفظ تأثیرگذارترین متغیرها انجام شد. دادههای محلی ماهانهی بارش و دما برای مراحل کالیبراسیون و اعتبارسنجی مدل استفاده شد. نهایتا مقیسهی نتایج مدل پیشنهادی با مدل رگرسیون چند خطی، به عنوان بنچ مارک، نشان داد که هر دو مدلسازی برای دما بسیار مشابه بودند اما برای بارش، مدل شبکهی مصنوعی ارائه شده نسبت به مدل رگرسیون چند خطی ٪۳۹ دقت بالاتری دارد. همچنین ترکیب روش PCA با MI برای غربالگری دادهها، نسبت به غربالگری دادهها فقط با استفاده از روش MI ٪۱۰ دقت بیشتری دارد. پیشبینی بارش طبق دو سناریوی آیندهی مبتنی بر سوخت فسیلی، و تحلیل آن نشان داد که در سناریوی بدبینانهی SSP585 الگوی بارش کاهش شدیدتری دارد که در آینده نزدیک 6٪ و تا پایان قرن تا 37٪ میباشد. سناریوی SSP245 نیز روند کاهش خفیفتری را با کاهش 2٪ در آینده نزدیک و تا 22٪ در آینده دور نشان داد.
Predicting regional changes in climate is one of the crucial challenges in hydro-environmental studies, which can be assessed by General Circulation Models (GCM) using various downscaling methods. The coarse resolution of GCMs is problematic, for which we need to downscale the large-scale GCM outputs to local-scale variables. The statistical downscaling method identifies the relationship between the large-scale climate variables and local scale temperature data. Since identifying such relationships is possible through various linear and non-linear methods, Artificial Neural Network (ANN) is used in this study to downscale the precipitation and temperature of Tabriz city. Large-scale data used in this research is derived from four grid points around Tabriz city from CanESM5 obtained from Coupled Model Intercomparison Project 6 (CMIP6), which leads to high dimensional data. To benefit a precise ANN-based model, predictor screening was performed by Principal Component Analysis (PCA) alongside K-means clustering and Mutual Information (MI) to reduce the dimension of potential predictors while keeping the most influential variables. Monthly local data of precipitation and temperature was acquired for the model's calibration and validation steps. results demonstrate increased accuracy in modeling attempts using most influential parameters established by the combination of data analysis methods with up to 10% accuracy increase. projections made with SSP 585 for precipitation show a 6% decline in the near future and up to 37%, where SSP245 demonstrated a subtler plunge in precipitation, ranging from 2% and up to 22%.
Application of PCA method for predictor screening in artificial intelligence-based statistical downscaling of Tabriz city temperature and precipitation