مقایسة روشهای ریزمقیاسنمایی آماری مدلهای تغییر اقلیم در شبیهسازی عناصر اقلیمی در منطقة شمال غرب ایران

Transcript

1 پژوهشهای جغرافیای طبیعی دورة 9 شماره تابستان 96 ص. 5 - مقایسة روشهای ریزمقیاسنمایی آماری مدلهای تغییر اقلیم در شبیهسازی عناصر اقلیمی در منطقة شمال غرب ایران بهروز سبحانی دانشیار گروه جغرافیای طبیعی دانشگاه محقق اردبیلی مهدی اصالحی دانشجوی دکتری اقلیمشناسی دانشگاه محقق اردبیلی ایمان بابائیان استادیار پژوهشکدۀ اقلیمشناسی مشهد پذیرش مقاله: 95// تأیید نهایی: 95//9 چکیده در این پژوهش نتایص سه مدل ریزمقیاسنمایی شبکة عصبی ANN و مدل مولد آبوهاوایی LARS-WG در شبیهسازی پارامترهای اقلیمی بارش روزانه کمینه و بیشینة دمای روزانه در منطقة شمال غرب ایاران مقایساه شده است. منطقة مورد مطالعه شامل دوازده ایستگاه هواشناسی است که دارای آمار بلندمدتاند. از دادههای دماا و بارش روزانة ایستگاهها در دورة 96 ا 99 به عنوان دورة پایه در مدل و دورة 99 ا به عناوان دورة اعتبارسنجی استفاده شده است. در این بررسی از دو آزمون ناپارامتری و شاخص ریشة مجماوع مربعاات خطاای مدل )RMSE( برای مقایسة دقت سه مدل استفاده شده است. نتاایص نشاان داد بارای دماهاای کمیناه و بیشاینه عملکرد مدل ANN بهتر از دو مدل دیگر است. برای دادههای بارش طباق شااخص RMSE دقات مادل نسبت به دو مدل دیگر بیشتر است. بر اساس آزمون ناپارامتری من- ویتنای عملکارد دو مادل و LARS- WG یکسان و بهتر از مدل ANN بود. تحلیل مکانی عملکرد سه مدل نشان میدهد که عملکرد مدلها بسته به نوع اقلیم منطقه است به طوری که منطقة جنوب غرب آذربایجان شرقی و کردستان به سب ناپایاداریهاای بیشاتر عملکرد پایینتری دارند. کلیدواژهها: ریزمقیاسنمایی مدل تغییر اقلیم. LARS-WG ANN مقدمه روشهای ریزمقیاسنمایی نقشی اساسی در باالبردن دقت خروجی مدلهای تغییر اقلیم )GCM( دارند. در این میان روشهای ریزمقیاسنمایی آماری به سبب محاسبات آسان و ارزان نسبت به روشهای ریزمقیاسنمایی دینامیکی کارایی بیشتری دارند و از آنها بیشتر استفاده میشود )فولر و همکاران ( به همین دلی روشهای ریزمقیاسنمایی آماری بسیاری ارائه شده است. در اینجا به مرور مطالعات ارزیابی تغییر اقلیم که در آنها از مدلهای ریزمقیاسنمایی استفاده شده است میپردازیم. ویلبی و همکاران ): ( از نخستین کسانی بودند که روش را به صورت نرمافزاری با نسخ. E- mail: sobhani_5@yahoo.com نویسندۀ مسئول: 95956

2 ( پژوهشهای جغرافیای طبیعی دورة 9 شماره تابستان 96 برای ارزیابی تغییر اقلیم منطقهای بهکار بردند. آنان در مطالع این مدل را شرح دادند. سرانجام آنان این روش را برای دادههای بارش و دمای روزان خود مزایای روش ریزمقیاسنمایی و روش اجرای کار با شهر تورنتوی کانادا بهکار بردند. سجادخان و همکاران )6: 5( سه روش ریزمقیاسنمایی مدل ریزمقیاسنمایی آماری )( مدل مولد آبوهوایی ایستگاه تحقیقاتی النگ آشتن )LARS-WG( و مدل شبک عصبی مصنوعی ANN( را از طریق آزمونهای عدم قطعیت با سه پارامتر بارش روزانه حداق دمای روزانه و حداکثر دمای روزانه مقایسه کردند. در مطالع یادشده پژوهشگران از آزمون ناپارامتری آماری ویلکاکسن برای مقایس دادههای مشاهدهشده و ریزمقیاسشده در ماههای مختل برای دو ایستگاه در منطقهای کوچک در کانادا استفاده کردند. نتایج نشان داد روش بهترین کارایی و روش ANN کمترین کارایی را دارد و روش LARS-WG در حد وسط قرار دارد. بابائیان و همکاران ): 5( اقلیم ایران را در دورۀ 9 با استفاده از ریزمقیاسنمایی آماری خروجی مدل ECHO-G و با بهکارگیری مدل LARS-WG مدلسازی کردند. این پژوهشگران با استفاده از مدل ریزمقیاسنمایی آماری LARS-WG خروجی مدل گردش عمومی جو ECHO-G را با سناریوی A برای دورۀ زمانی 9 بر روی ایستگاه همدیدی ایران ریزمقیاس کردند. نتایج حاکی از کاهش نههدرصدی بارش در ک کشور افزایش آستان بارشهای سنگین و خیلی سنگین بهترتیب و 9 درصد و افزایش میانگین ساالن / 5 درج سانتیگراد است و بیشترین افزایش دما مربوط به ماههای سرد سال است. دما به میزان کارآموز و همکاران )9: 65( روش ریزمقیاسنمایی و روش شبکههای عصبی )ANN( را برای پیشبینی بلندمدت بارش در پنج ماه از سال )دسامبر تا آوری ) در جنوب شرقی ایران بهکار بردند. نتایج نشان داد روش عملکرد بهتری نسبت به روش ANN دارد. هاشمی و همکاران )9( مدل LARS-WG دورۀ آیندۀ 99 بر اساس سناریوی A LARS-WG گ را برای ریزمقیاس نمایی خروجی مدل تغییر اقلیم HadCM در در منطق اکلند کشور نیوزلند بهکار بردند. نتایج نشان داد مدل ابزاری پذیرفتنی برای شبیهسازی رخدادهای حدی بارش است و میتوان از آن به منزل ارزیابی اثرهای تغییر اقلیم استفاده کرد. اشرف و همکاران )9: 95( دادههای مدل گردش عمومی جو طبق سه سناریوی AB HadCM و A B استان خراسان رضوی در دورۀ بررسی کردند. ابزاری مهم برای را با بهکارگیری مدل LARS-WG ریزمقیاسشده و تغییرات فصلی بارش دمای کمینه دمای بیشینه و ساعت آفتابی دهقانیپور و همکاران )9( در مطالعهای توانمندی مدل ریزمقیاسنمایی آماری را در تولید دادههای بارش دما و تبخیر در ایستگاه هواشناسی همدیدی تبریز بررسی کردند. نتایج نشان داد که مدل توانایی مناسبی در کوچکمقیاسنمودن دادههای دما تبخیر و بارش دارد. محمدی و مساح بوانی )9: 5( در مطالعهای به ارزیابی اثرهای تغییر اقلیم بر وضعیت خشکسالی حوض قرهسو در دورهه یا آتی با استفاده از شاخص خشکسالی بارش استانداردشده )SPI( برای ریزمقیاسنمایی خروجی مدل جهانی HadCM پرداختند. در این ارزیابی از روش تحت سناریوی A استفاده شد. مقایس نتایج حاکی از

3 ( مقایسة روشهای ریزمقیاسنمایی آماری مدلهای تغییر اقلیم در شبیهسازی عناصر اقلیمی در منطقة شمال غرب ایران آن است که حوضه در دورۀ 69 میالدی شاهد افزایش بارش و به تبا آن کاهش شدت خشکسالی نسبت به دورۀ پایه خواهد بود. این کاهش شدت برای مقیاسهای زمانی شش و دوازدهماهه با افزایش دورۀ بازگشت افزایش مییابد. این در حالی است که برای خشکسالیهای ماهه با افزایش دورۀ بازگشت شدت خشکسالی حوضه بیش از دورۀ پایه خواهد شد. بابائیان و کوهی )9: 95( در پژوهشی اثر گرمایش جهانی را بر متغیرهای بارش و دما و شاخصهای اقلیمی کشاورزی همچون طول دورۀ خشکی طول دورۀ رشد و تبخیر- تعر بالقوه با استفاده از خروجی ریزمقیاسشدۀ دو مدل گردش عمومی جو NCAR-PCM و GFDL-CM. تحت سناریوی انتشار AB و A B ارزیابی کردند. این پژوهشگران برای ریزمقیاسنمایی نیز از روش آماری همبستگی چندمتغیره بر روی میانگینهای ماهانه تا ساالنه برای شاخصهای اقلیمی کشاورزی و مدل LARS-WG به منظور مدلسازی متغیرهای روزان مورد نیاز در محاسب تبخیر- تعر بالقوه استفاده کردند. ساروار و همکاران )( اثرهای تغییر اقلیم را بر حوض آبریز رود تایمز با استفاده از مدلهای ریزمقیاسنمایی KnnCAD و LARS-WG ارزیابی کردند. نتیجه اینکه مدل برای دماهای حداق و حداکثر عملکرد بهتری نسبت به دو مدل دیگر دارد ولی برای بارش مدل LARS-WG ترجیح داده میشود. ژائوفولی و همکاران )( دو مدل ریزمقیاسنمایی آماری را که عبارتاند از مدل مارک پنهان ناهمگن ( و مدل ریزمقیاسنمایی آماری )NHMM( جو روی دادههای بارش روزان دریاچ خشکشدۀ رودخان تاریم در چین ارزیابی کردند. ابزار مقایسه در این مطالعه توابا باقیمانده تحلی های همبستگی و توابا چگالی و توزیا احتمالی بودند. به طور کلی نتایج نشان داد هر دو روش با کمی اختالف عملکرد در مرحل پردازش و اعتبارسنجی مدل پایداری الزم را دارند. همچنین نتایج نشان داد که عملکرد روش NHMM کمی بهتر از در شبیهسازی بارش ماهانه است به طوری که کاربر قادر خواهد بود بارش را بهخوبی در هم ماهها شبیهسازی کند. اما هر دو مدل NHMM و به دلی مؤلفههای تصادفی در مدلبندی مقادیر بارش در ریزمقیاسکردن سریهای ساالن بارش دقت کمتری دارند. مینو و همکاران )( از یک مدل هیدرولوژیکی ). )HEC-HMS برای مدلبندی هیدرولوژیکی منطق رودخان تونگا- بهادرا در هندوستان و از روش ریزمقیاسنمایی برای ریزمقیاسنمایی دماهای حداق و حداکثر و بارش روزانه در منطق مورد مطالعه استفاده کردند. نتایج مطالعه بیالن آب افزایش بارش و رواناب و کاهش تلفات تبخیر تعر واقعی را در منطق مورد مطالعه نشان داد. رجبی و شعبانلو )( از مدل برای ارزیابی تغییر اقلیم منطق کرمانشاه در غرب ایران و اثر آن بر شاخصهای اقلیمی همچون جانسن کرنر و دومارتن استفاده کردند. در این مطالعه با استفاده از مدل گردش عمومی HadCM و با درنظرگرفتن سناریوهای انتشار و A B در دورههای زمانی 9 69 و 99 تغییرات شاخصهای اقلیمی منطقه ارزیابی شد. نتایج نشان داد که اقلیم منطقه بهویژه در دورۀ 99 خشکتر خواهد شد و این تغییر برای سناریوی A محسوستر است.

4 پژوهشهای جغرافیای طبیعی دورة 9 شماره تابستان 96 چیما و همکاران )( عملکرد روش ریزمقیاسنمایی را بر روند دادههای حداق دمای ایستگاههای کشور پاکستان در دورۀ 99 ارزیابی کردند. نتایج نشان داد طبق آزمون من کندال روند افزایشی حداق دمای ساالنه معنیدار است. عالوه بر آن تحلی ها نشان داد بین دادههای دمای مدلشده و دادههای واقعی تطابق خوبی وجود دارد. عالوه بر آن ضریب همبستگی پیرسن برای بیشتر نواحی باالی 9 درصد بود. روشهای آماری مختل برای بررسی روند بهکار گرفته شد. نتایج نشان داد تغییر معنیدار اقلیمی بیشتر در نواحی شمالی کشور پاکستان رخ داده است. رسولی و همکاران )9: 9( اثر عوام مرفو- اقلیمی را بر دقت ریزمقیاسنمایی مدل LARS-WG در منطق شمال غرب ایران بررسی کردند. نتایج نشان داد دقت مدل در هفت ایستگاه انتخابی با هم متفاوت بود ولی شبیهسازی دما با دقت مناسبتری انجام شد. منتها در برآورد بارش از دقت کمتری برخوردار بود و در میان ایستگاهها نیز متفاوت بود. رابط دمای حداق و حداکثر با ارتفا ایستگاه در سطح 5 درصد معنیدار بود و با بقی عوام رابط معنیداری نتیجه نداده است و خطای بارش برآوردشده با فاصله از مرکز سلول نداشته است. HadCM کازمی و همکاران ): ( روش را روی خروجی دمای روزان مدل جهانی نتایج نشان داد که دادههای ریزمقیاسشده خیلی دقیقتر از دادههای مدل معنیدار است و با بقی عوام مدل همبستگی ECHAM5 ECHAM5 بهکار بردند. است. ضریب همبستگی دادههای ریزمقیاسشده با دادههای مشاهدهشده بین تا 9 درصد است این در حالی است که همین همبستگی برای دادههای مدل جهانی بین تا درصد است. نوری و آالم ): ( مدل را روی دادههای مشاهداتی دما و بارش روزانه از سال 9 تا 6 با استفاده از مدل جهانی HadCM ساتکلی )NSE( شاخص PBIAS بهکار بردند. در این مطالعه از شاخص درصد اریبی )PBIAS( شاخص کفایت ناش- و شاخص اصالحشدۀ تطابقی برای ارزیابی دادههای بارش و دمای ریزمقیاسشده استفاده شد. مقدار دمای ریزمقیاسشده حداق بود ( -(. / شاخص ) NSE ( / و شاخص اصالحشدۀ تطابقی ) ( / باالترین حد برای دمای حداکثر روزانه در ای ستگاه سیلحت بنگالدش ب وده است. در میان پنج ای ستگاه بارانسنجی شاخص PBIAS بارش ریزمقیاسشده دارای مقدار حداق ( ( / بود و شاخص )6 NSE ( / و شاخص اصالحشده )9 ( / باالترین حد را در ایستگاه کانایرقات داشته است. دادههای دما و بارش ریزمقیاسشده با دادههای مشاهدهشده تقریبا مطابقت داشتهاند. ردی و همکاران ): 5( اثرهای تغییر اقلیم را با استفاده از مدل LARS-WG در منطق آندرا پرادش هند ارزیابی کردند. پژوهشگران در این بررسی که دورۀ مشاهداتی 9 به عنوان دورۀ پایه در نظر گرفته شده است ضمن بررسی اعتبار مدل و تأیید شبیهسازی بارش و دماهای حداق و حداکثر به این نتیجه رسیدند که تا سال حداکثر افزایش متوسط بارش ساالنه 5 / 6 درصد و تا سال 6 این افزایش 9 / 5 درصد خواهد شد. حداکثر دما تا سال به میزان / 5 درصد خواهد بود و تا سال 6 به مقدار / 5 درصد افزایش خواهد یافت. ولی برای حداق دما کاهش تا درصدی تا سال و کاهش 6 تا درصدی تا سال 6 را نشان میدهد. گودرزی و همکاران )5: ( از دو روش عام تغییر LARS-WG و )CF( برای شبیهسازی متغیرهای

5 مقایسة روشهای ریزمقیاسنمایی آماری مدلهای تغییر اقلیم در شبیهسازی عناصر اقلیمی در منطقة شمال غرب ایران 5 اقلیمی در دورهه یا در حوض آ یت آبخیز رودخان اعظم هرات یزد استفاده کردند. بد نی منظور آنها از مدل CGCM- AR افزایش و سناریوی انتشار A تحت دو روش ریزمقیاسنمایی عام تغییر و LARS-WG استفاده کردند. نتایج نشان از دما در حوض آبخیز مورد مطالعه تحت هر دو روش ریزمقیاسنمایی دارد. متوسط دمای بهدستآمده از هر دو روش در دورۀ آتی اختالف تا درصد را نشان داد. از طرف دیگر بارندگی در ک حوزه بسته به شرایط جوی افزایش و کاهش درخور مالحظهای از خود نشان داد به طوری که در دورۀ آتی اختالف بارش ناشی حدود درصد بود. عثمان و همکاران )( مدل LARS-WG را برای پیشبینی دورهه یا در این بررسی خروجی هفت مدل جهانی تغییر اقلیم به )GCM( روش LARS-WG بارش آینده در مرکز عرا از دو روش ریزمقیاسنمایی بهکار بردند. برای پیشبینی بارش در دورههای 6 65 و 99 ریزمقیاس شد. نتایج افزایش روند بارش در دورههای ماهان دسامبر- فوریه و سپتامبر- نوامبر و کاهش روند بارش در ماههای مارس آوری و می را در آینده نشان داد. با توجه به مطالعات مورد بررسی مشخص میشود که مدلهای ریزمقیاسنمایی و LARS-WG و پس از آن مدل شبک عصبی ANN در مطالعات ارزیابی تغییر اقلیم بیشترین کاربرد را داشتهاند و در مناطق مورد مطالعهشان عملکرد و نتایج گوناگونی داشتهاند. مثال سجادخان و همکاران )6( در مطالع خود در کانادا به این نتیجه رسیدند که برای پارامتر بارش مدل عملکرد بهتری نسبت به مدل LARS-WG داشته است در حالی که نتایج مطالعات ساروار و همکاران )( در منطق رود تایمز حاکی از عملکرد بهتر مدل LARS-WG برای بارش است. همچنین ژائوفولی و همکاران )( در ارزیابی تغییر اقلیم در منطقهای در چین به این نتیجه رسیدند که مدل مارک پنهان عملکرد بهتری نسبت به مدل دارد. بنابراین این فرضیه را میتوان درنظر گرفت که عملکرد روش ریزمقیاسنمایی با ناهمواریها و اقلیم منطق مورد نظر ارتباط معنیداری دارد همان طور که رسولی و همکاران )9( برای مدل LARS-WG برای منطق شمال غرب به چنین نتیجهای رسیدند. بنابراین استفاده از فقط یک روش ریزمقیاسنمایی مناسب بهنظر نمیرسد و عدم قطعیتهای زیادی دارد. به همین دلی در بیشتر مطالعات ارزیابی تغییر اقلیم از چند روش ریزمقیاسنمایی استفاده و عملکردشان مقایسه میشود تا به کمترین عدم قطعیت برسند. در این میان مدل LARS-WG به عنوان یک مدل مولد تصادفی هواشناسی مدل و مدل ANN به عنوان مدلهایی با رویکرد رگرسیونی از روشهای پ رکاربردی هستند که در بیشتر مطالعات از آنها استفاده میشود. با توجه به حساسیت شمال غرب کشور به پدیدۀ تغییر ا قلیم در این پژوه ش ت وانایی سه مد ل مختل ریزمقیاسنمایی شام کمینه و بیشین LARS-WG و ANN شبک عصبی در شبیهسازی پارامترهای اقلیمی بارش روزانه دمای روزان منطق شمال غرب ایران مطالعه میشود. نتایج این تحقیق میتواند به برآورد صحیح چشمانداز تغییر اقلیم آتی این منطقه کمک کند. مواد و روشها در این مطالعه سه روش برای ریزمقیاسنمایی آماری مدل تغییر اقلیم ارائه میشود: روش اول: کاربرد مولدهای تصادفی

6 پژوهشهای جغرافیای طبیعی دورة 9 شماره تابستان 96 6 آبوهوایی مانند.LARS-WG در این رویکرد از توزیاهای نیمهتجربی برای سریهای روزان خشک و تر بارش و تشعشا خورشیدی استفاده میشود )رسکو و همکاران (. 99: دماهای حداق و حداکثر روزانه به عنوان فرایندهای تصادفی با میانگینهای روزانه و انحراف معیارهای روزانه درنظر گرفته میشوند. دورههای فصلی میانگینها به وسیل سریهای فوریه متناهی مرتب مدلبندی میشوند و باقیماندههای مدل به وسیل یک توزیا نرمال تقریب زده میشود. برای ریزمقیاسنمایی با استفاده از این مدل از نرمافزار مولد تصادفی LARS-WG5 استفاده میشود. روش دو: کاربرد روش. از این روش بسیار استفاده میشود. ویلبی و همکاران ) 999 ( نخستین بار این روش را ارائه کردند. این مدل ترکیبی از رگرسیونی خطی و مولد تصادفی هواشناسی است زیرا از متغیرهای رطوبتی و الگوهای سیکلونی بزرگمقیاس جو ی )j=,,,n( به صورت خطی برای پارامترهای مولد هواشناسی مقیاس محلی )مث رخداد بارش و چگالی( در ایستگاههای تکی استفاده میشود. رخداد بارش فرایندی شرطی است و با استفاده از مولد هواشناسی شرطیشده روی متغیرهای پیشبینیکننده مدلبندی میشود. بر حسب اینکه بارش رخ دهد یا نه t در روز w t به صورت معادل زیر تعری میشود )ویلبی و همکاران (: w t = α + n j= (j) α j u t )( زمان )روز( t که در آن w t احتمال شرطی رخداد بارش در روز (j) u t t متغیر پیشبینیکنندۀ نرمالشدۀ jام در روز t j پارامتر رگرسیونی بهدستآمده با روش حداق مربعات برای هر ماه است. این دو پارامتر بهینهسازیشدهاند و به ناحی و مورد مطالعه و پارامتر پیشبینیشونده وابستهاند. عدد تصادفی r t r) t ( با توزیا یکنواخت برای تعیین رخداد بارش و احتمال اینکه بارش اتفا بیفتد با این شرط که w t r t است استفاده میشود. در گام دوم مقدار برآوردشدۀ بارش در هر روز بارانی تعیین میشود. این را میتوان با نمرۀ تعیین کرد )ویلبی و همکاران (: z به صورت معادل Z t = β + n j= (j) β j u t + ε )( β j و t در روز z نمرۀ Z t که در آن صورت معادل نوشت )ویلبی و همکاران (: )( پارامتر رگرسیونی محاسبهشده است. بهسادگی بارش را میتوان به t در روز y t y t = F [ (Z t )] که در آن تابا توزیا تجمعی نرمال و F تابا تجربی است. y t یک تبدی ریش چهارم برای کنترل طبیعت چولگی توزیا بارش بهکار میرود. برای پارامترهای دما )دمای حداق و حداکثر( فقط از معادلههای و برای اجرای مدل استفاده میشود. معادل بهکار نمیرود چون مقادیر تصادفی برای دما درنظر گرفته نمیشود. در طی واسنجی مدل بعضی از پارامترها از قبی آستان پیشامد اریب تصحیحشده و تورم واریانس برای تعیین بهترین تطابق آماری بین متغیرهای اقلیمی مشاهدهشده و شبیهسازیشده تعدی میشوند.

7 مقایسة روشهای ریزمقیاسنمایی آماری مدلهای تغییر اقلیم در شبیهسازی عناصر اقلیمی در منطقة شمال غرب ایران روش سوم: کاربرد شبک عصبی مصنوعی.)ANN( کولیبالی و همکاران )5: ( این روش را گسترش دادند. این مدل نوعی از رگرسیون غیرخطی است که در آن ارتباط بین تعدادی از پیشبینیکنندههای بزرگمقیاس جو ی منتخب و پیشبینیشوندههای اقلیمی مقیاس محلی ارائه میشود. در این روش یک شبک پسخور عقبگرد زمانی )TLRN( یا به عبارت بهتر یک مدل سری زمانی غیرخطی استفاده میشود که در آن ورودیها تماما به وسیل خط تأخیر جریان پشتیبانی میشود و شبکه با استفاده از الگوریتم پسانتشار )پرینسپ و همکاران ( آموزش داده میشود. در این روش از یک رویکرد متفاوت برای انتخاب پیشبینیکنندهها به منظور ریزمقیاسنمایی شبک عصبی استفاده میشود. نخست شبکهها با هم متغیرهای پیشبینیکننده به عنوان ورودی آموزش داده میشوند. سپس برای تعیین مناسبترین پیشبینیکنندهها تحلی حساسیت انجام میشود تا برای آموزش دوبارۀ مدل استفاده شوند. تحلی حساسیت میزان ارتباط پیشبینیکنندهها )ورودی شبک عصبی( با استفاده از محاسب چگونگی تغییرات خروجی مدل در پاسخ به تغییرات یک ورودی را به ما میدهد. یادگیری شبکه تا زمانی که وزنهای شبکه بیتأثیر باشند انجامناپذیر است. ایدۀ اصلی تحلی حساسیت این است که ورودیهای شبک عصبی کمی شیفت پیدا کنند و مطابق با خروجی گزارششده تغییر کنند. حساسیت با محاسب تقسیم انحراف معیار خروجی به انحراف معیار ورودی بهدست میآید. در این روش حساسترین پیشبینیکنندهها به عنوان متغیرهای پیشبینیکنندۀ مناسب برای هر شبک عصبی به طور جدا برای ریزمقیاسنمایی بارش و دمای حداق و حداکثر انتخاب می ش وند. شبک عصبی با تعداد کمتری از متغیرهای پیشبینیکننده دوباره آموزش داده میشود تا به عملکرد راستیآزمایی قاب قبولی برسد. چندین آزمایش آموزشی با ترکیبات مختل تأخیرهای زمانی ورودی و تعداد نرونها در الی پنهانی شبک بهینهشده انجام میشود. برای ریزمقیاسنمایی بارش یک تأخیر زمانی هفتروزه و بیست نرون در الی پنهانی بهترین عملکرد شبکه را ارائه داده است. برای ریزمقیاسنمایی دمای حداق و حداکثر نیز تأخیر زمانی سهروزه و دوازده نرون در الی پنهانی بهترین عملکرد را در شبکه داشته است. برخالف مدل ریزمقیاسنمایی بلرش در ANN فرایندی غیرشرطی است. به عبارت بهتر میتوان گفت که ساختار مدل ANN به شبیهسازی بر سری زمانی بارش و دمای ریزمقیاسشده محدود میشود. برای مقایس دادههای تولیدشدۀ مدل و مشاهدات میتوان از آزمون ناپارامتری مقایس میانگینهای دو جامعه که آزمون رتبهای ویلکاکسن یا من- ویتنی نام دارد استفاده کرد. این آزم ون که برای بررسی فرض مساویبودن μ( پایهریزی شده است به صورت زیر تعری میشود )شهرآشوب و میکائیلی میانگینهای دو جامعه ( = μ :)6 دو نمون تصادفی n x, x,..., x و y, y,..., y n را درنظر میگیریم. هم دوتاییهای ( X i,y j) را که را به W YX Xi Y. حال آمارههای W XY و j Xi Y یا j mn تعداد آنها صورت معادل تعری میکنیم: تا است تشکی میدهیم. در هر جفت داریم. time lagged recurrent networks

8 پژوهشهای جغرافیای طبیعی دورة 9 شماره تابستان 96 Xi Y j ( i j X,Y ) = W XY تعداد ها با فرض )( Xi Y j ( i j X,Y ) = W YX تعداد ها با فرض W YX دو آمارۀ شمارشی W XY و را که مجمو آنها برابر با mn است آمارههای من- ویتنی مینامند. واضح است که در آزمون زیر H : H : مقادیر دادههای Y برابر با دادههای X است مقادیر دادههای Y بزرگتر از دادههای X است )5( X i ها شوند. فرض H ثابت میشود که را موقعی رد میکنیم که W XY W XY n(n ) WS و W YX خیلی بزرگ شود یعنی تعداد زیادی از Y i ها بزرگتر از W R n(n ) که در آنها: n W R R j j n W S S i i )6( S i ها و R j بهترتیب رتبههای دادههای X هستند. و Y برای تحلی همبستگی دادههای مشاهدهشده و تولیدشدۀ مدل میتوان از آزمون همبستگی رتبهای اسپیرمن استفاده کرد )شهرآشوب و میکائیلی 6 (. پای و Y کار تحلی همبستگی بر اساس ضریب همبستگی خطی دو متغیر مربوطه است. ضریب همبستگی رتبهای اسپیرمن همبستگی دو متغیر کم ی را نشان میدهد که به صورت زیر تعری میشود: اگر X دو متغیر تصادفی باشند و n )( این نو ضریب همبستگی به صورت زیر بهدست میآید: نمونه از هر یک از این متغیرها را مشاهده کنیم یعنی به صورت زیر: Y : y, y,..., yn X : x,x,..., x n. رتب دادهها یعنی کوچکترین آن دارای رتب مشاهدات در نظر میگیریم. R yi را بهدست میآوریم به طوری که بزرگترین مشاهدۀ y i دارای R y i d i n i. مقدار اختالف است. اگر مقدار چند مشاهده مساوی باشد میانگین رتب R y i را بهدست میآوریم. این چند مشاهده را به عنوان رتب و بهدست میآید:. ضریب روند به صورت معادل r y r y i n 6 n n d i )( فرض صفر میگوید که سری زمانی مربوطه دارای روند نیست. میتوان نشان داد که متغیر

9 مقایسة روشهای ریزمقیاسنمایی آماری مدلهای تغییر اقلیم در شبیهسازی عناصر اقلیمی در منطقة شمال غرب ایران 9 t r y n r y )9( t دارای توزیا ا- ستودنت با -n درج فرض صفر موقعی رد میشود که است. آزادی است. مقادیر بحرانی بر اساس توزیا -t t t و n استودنت بهدست میآید. بنابراین مقدار t t n باشد که در آن سطح معنیداری یکی از شاخصهای مهم که برای ارزیابی کارایی مدل استفاده میشود شاخص مجذور میانگین مربعات خطای )RMSE( است که به صورت معادل تعری مدل )( در معادل میشود: RMSE N i ( O E ) i N i مقادیر O i دادههای مشاهداتی و مقادیر E i صفر نزدیکتر باشد نشاندهندۀ عملکرد باالی مدل ریزمقیاسنمایی است. منطق مورد مطالعه شمال غرب ایران است که شام دادههای تولیدشدۀ مدل است. هرچه مقدار RMSE به استانهای آذربایجانهای شرقی و غربی اردبی زنجان و قسمتی از کردستان است. این منطقه بین مختصات جغرافیایی تا 9 طول شرقی و 6 تا 5 9 عرض شمالی قرار گرفته است. برای بررسی اثر تغییر اقلیم در منطقه با استفاده از مدلهای آماری ذکرشده به حداق دورۀ آماری پای نیاز است. برای کام کردن دورۀ آماری عالوه بر استفاده از ایستگاههای هواشناسی سینوپتیک از ایستگاههای اقلیمشناسی قدیم که دادههای آن مورد تأیید سازمان هواشناسی کشور است بهره گرفته شده است هرچند بعضی از ایستگاههای منطقه دارای چند سال خأل آماریاند و در این حالت دادههای ناقص به عنوان دادۀ گمشده درنظر گرفته شده و وارد مدل شدهاند بنابراین تأثیر منفی در دقت خروجی مدل دارد. جدول مشخصات این ایستگاهها و دورۀ آماریشان را نشان میدهد. متغیرهای بزرگمقیاس پیشبینیکننده که از آنها در برازش مدلهای و ANN استفاده میشود از )NCEP( با دقت درجه برای دورۀ آماری 96 دریافت شده / 5 سایت مرکز ملی پیشبینی محیطی امریکا است. این متغیرهای بزرگمقیاس هواشناسی شام مختل است. این دادهها در دو شبکه در منطق شمال غرب درونیابی شدهاند. شک 6 متغیر مشتقات فشار رطوبت دما جهت و سرعت باد در سطوح موقعیت منطق مورد مطالعه و ایستگاههای مربوطه را نشان میدهد. برای مدل دورۀ به عنوان دورۀ واسنجی و دورۀ 99 به عنوان دورۀ اعتبارسنجی مدل انتخاب شده است. برای مدل شبک عصبی ANN نیز دورۀ آمار روزان به عنوان ورودی مدل برای آموزش شبکه استفاده شده و خروجی آن برای دورۀ 99 ارائه شده است.. Root Mean Square Error (RMSE). National Centre Environment Prediction

10 پژوهشهای جغرافیای طبیعی دورة 9 شماره تابستان 96 برای مدل مولد تصادفی LARS-WG نیز از دورۀ پای به عنوان ورودی مدل استفاده شده است. سرانجام خروجی دادههای مدلها در دورۀ مشترک 99 با هم مقایسه شدهاند. جدول. مشخصات دوازده ایستگاه مورد مطالعة منطقة شمال غرب ایران ردی نام ایستگاه طول جغرافیایی عرض جغرافیایی ارتفا دورۀ آماری تعداد سالهای با خأل آماری تبریز اهر جلفا 6 96 میانه مراغه ارومیه خوی زنجان اردبی پارسآباد میاندوآب سقز 6 شکل. موقعیت منطقة شمال غرب ایران و ایستگاههای مورد مطالعه

11 مقایسة روشهای ریزمقیاسنمایی آماری مدلهای تغییر اقلیم در شبیهسازی عناصر اقلیمی در منطقة شمال غرب ایران یافتههای پژوهش کارآیی مدلها در روش نخست دادههای روزان ایستگاهها کنترل کیفی میشود و در صورت لزوم دادهها تبدی میشود. در این مطالعه دادههای بارش روزانه به سبب خارج از نرمالبودن توزیا آنها )سبحانی و همکاران 9( و برازش بهتر مدل ریش از تبدی چهارم برای ایستگاهها استفاده شده است. دورۀ به عنوان دورۀ واسنجی مدل و دورۀ 99 به عنوان دورۀ اعتبارسنجی انتخاب شد. پس از کنترل کیفی و تبدی دادهها بهترین پیشبینیکنندۀ پارامترهای سینوپتیکی برای پارامتر پیشبینیشونده بررسی و انتخاب شد. تحلی ها ن شان داد که برای پارامتر بارش در بی شتر ایستگاهها پیشبینیکنندههای غالب متغیرهای بزرگمقیاس میانگین فشار سطح دریا )Slp( سرعتمداری سطح زمین )p_u( ارتفا ژئوپتانسی سطح )p5( 5 و مؤلفههای رطوبتی ارتفا )r5,r5( بیشترین 5 و 5 همبستگی را داشته اند. برای پارامتر حدا ق و حداکثر دما نیز بی شترین همب ستگی مرب وط ب وده است به متغیرهای بزرگمقیاس میانگین فشار سطح دریا )Slp( ارتفا ژئوپتانسی سطح 5 )p5(.)p_temp( جدول تبریز را به طور ماهانه نشان میدهد. پای و میانگین دمای دومتری نتایج تدوین مدل برای سه پارامتر محلی بارش و حداق و حداکثر دما برای ایستگاه مورد بررسی در مرحل بعد مدل رگرسیونی بر اساس متغیرهای انتخابی جدول برای هر پارامتر محلی و برای هر ماه واسنجی شد. میانگین ماهان ضریب همبستگی چندمتغیرۀ مدل برای هر پارامتر در سطر آخر جدول آمده است. در بعضی از ماهها مدل همبستگی بسیاری دارد و در بعضی ماهها مث بارش در ماههای کمبارش همبستگی کمی دارد. دلی این امر را میتوان در تصادفیبودن متغیر بارش جستوجو کرد. دلی دوم بزرگمقیاسبودن دادههای NCEP است و اینکه ممکن است برای منطق مورد مطالعه بهخوبی درونیابی نشده باشد. برای مدل شبک عصبی نیز نخست کلی متغیرهای پیشبینیکننده به عنوان ورودی وارد مدل شبک پسخور عقبگرد زمانی )TLRN( میشود و مورد آموزش قرار میگیرد. در اینجا دورۀ به عنوان دورۀ آموزش شبکه و دورۀ 99 به عنوان دورۀ تست مدل است. پس از اجرای تحلی حساسیت حساسترین متغیرهای پیشبینیکننده در خروجی مدل شبک عصبی تعیین میشود و مورد آموزش دوبارۀ شبکه قرار میگیرد. جدول نتایج اجرای این مدل و متغیرهای انتخابی پیشبینیکننده برای دما و بارش در ایستگاه تبریز را به عنوان نمونه نشان میدهد. در روش LARS-WG خروجی مدل شام 5 بار تولید دادههای روزان دما و بارش در 65 روز سال برای دورۀ میالدی است. به طور اجمال و نمونه میتوان عملکرد سه مدل مزبور را به شک نموداری روی ایستگاه تبریز بررسی کرد. برای این کار از شاخص قدر مطلق اختالف دادههای تولیدشدۀ مدل و مشاهدات استفاده شده است که میانگین آن برای هر ماه محاسبه شده و در نمودار آمده است. شک های تا میانگین قدر مطلق اختالف دادههای تولیدشده و مشاهداتی را برای سه مدل مورد بررسی در ماههای مختل سال در دورۀ 99 در ایستگاه نمونه تبریز بهترتیب برای پارامترهای حداق دما و حداکثر دما و بارش نشان میدهد.

12 پژوهشهای جغرافیای طبیعی دورة 9 شماره تابستان 96 جدول. پیشبینیکنندههای انتخابی مدل و ANN برای پیشبینیشوندههای دما و بارش روزانه برای ایستگاههای نمونة تبریز مدل ANN حداق حداکثر دما دما متغیر پیشبینیکننده برگرفته از دادههای NCEP توضیح مدل حداکثر حداق بارش دما دما بارش میانگین فشار سطح دریا Mslp سرعت جریان هوا در ارتفا 5 هکتوپاسکال P_f سرعتمداری نزدیک سطح P_u تاوایی نزدیک سطح p_z تاوایی در ارتفا 5 هکتوپاسکال P5_z مؤلف سرعتمداری در ارتفا 5 هکتوپاسکال P_u ارتفا ژئوپتانسی سطح 5 هکتوپاسکال P5 رطوبت نسبی در ارتفا 5 هکتوپاسکال Pr5 ارتفا ژئوپتانسی سطح 5 هکتوپاسکال P5 رطوبت نسبی در ارتفا 5 هکتوپاسکال Pr5 رطوبت نسبی در نزدیک سطح Rhum رطوبت ویژه در نزدیک سطح Shum میانگین دمای دومتری P_temp طبق شک بهنظر میرسد برای حداق دمای تبریز مدل شبک عصبی ANN کمترین اختالف دادۀ تولیدشده و مشاهداتی را دارد. به عبارت دیگر بهترین عملکرد را دارد. البته در مدل LARS-WG نیز شاخص اختالف تا حدودی نزدیک به مدل ANN است ولی در ماههای ژانویه و دسامبر اختالف مدل LARS-WG خیلی بیشتر از مدل ANN است. شاخص اختالف برای مدل بهجز برای ماه آوری بیشتر از دو مدل دیگر است این امر نشاندهندۀ عملکرد پایین این مدل نسبت به دو مدل دیگر است.

13 قدرمطلق اختالف قدرمطلق اختالف مقایسة روشهای ریزمقیاسنمایی آماری مدلهای تغییر اقلیم در شبیهسازی عناصر اقلیمی در منطقة شمال غرب ایران JAN FEB MAR APR MAY JUN JUL AUG SEP OCT NOV DEC LARS-WG ANN شکل. میانگین قدر مطلق اختالف حداقل دمای تولیدشدة مدل و مشاهدات در ماههای مختلف برای ایستگاه نمونة تبریز برای ANN و LARS-WG طی دورة 99 ا 6 5 JAN FEB MAR APR MAY JUN JUL AUG SEP OCT NOV DEC LARS-WG ANN شکل. میانگین قدر مطلق اختالف حداکثر دمای تولیدشدة مدل و مشاهدات در ماههای مختلف برای ایستگاه نمونة تبریز برای ANN و LARS-WG طی دورة 99 ا در شک برای حداکثر دمای تبریز در سه مدل نتایج مشابهی میتوان یافت. همان طور که در شک مشاهده میشود عملکرد مدل ANN کمی بهتر از مدل LARS-WG است و شاخص اختالف مدل به طور محسوسی بیشتر از دو مدل دیگر است این امر نشاندهندۀ عملکرد پایین این مدل نسبت به دو مدل دیگر است. در پارامتر بارش نتایج عملکرد مدلها برای ایستگاه تبریز کامال متفاوت است. طبق شک شاخص اختالف مدلهای LARS-WG و

14 قدرمطلق اختالف پژوهشهای جغرافیای طبیعی دورة 9 شماره تابستان 96 در هم ماهها نزدیک به هم و عملکردشان مشابه است. در حالی که مدل ANN دارای شاخص اختالف بیشتری نسبت به دو مدل دیگر است این امر نشاندهندۀ عملکرد نسبی پایین این مدل است. 6 5 JAN FEB MAR APR MAY JUN JUL AUG SEP OCT NOV DEC LARS-WG ANN شکل. میانگین قدر مطلق اختالف بارش تولیدشدة مدل و مشاهدات در ماههای مختلف برای ایستگاه نمونة تبریز برای ANN و LARS-WG طی دورة 99 ا البته نتایج بهدستآمده فقط برای ایستگاه تبریز است. برای بررسی دقیقتر و ازبینبردن عام مکانی و اقلیمی میتوان این بررسی را طبق شاخصهای دیگر و در ایستگاههای دیگر منطقه مطالعه کرد. در این بررسی با سه روش و شاخص عملکرد سه مدل در دوازده ایستگاه منطقه مقایسه میشود. این سه روش و شاخص عبارتاند از: آزمون مقایسهای من- ویتنی آزمون همبستگی اسپیرمن شاخص.RMSE بررسی عملکرد مدلها به طور ماهانه انجام شده است. جدولهای تا 5 نتایج آزمونها و محاسب RMSE را برای سه پارامتر دمای حداق و حداکثر و بارش نشان میدهد. در این جدولها تعداد ماههایی که بر اساس آزمون من- ویتنی اختالف دادههای مشاهداتی و تولیدشدۀ مدل معنیدار هستند و نیز تعداد ماههایی که بر اساس آزمون همبستگی اسپیرمن دادهها دارای همبستگی معنیدار هستند ارائه شده است. در ستون آخر نیز شاخص LARS-WG ماهانه برای هر مدل محاسبه شده است. در سطر آخر نیز میانگین وضعیت آزمونها و شاخص دوازده ایستگاه آورده شده است. با نگاه به جدول مشخص میشود که نتایج آزمون من- ویتنی برای حداق دما در ایستگاههای مختل کامال متفاوت است به طوری که در ایستگاههایی مث مراغه و زنجان به طور میانگین فقط دو ماه برای سه مدل اختالف دادههای تولیدشدۀ مدل و مشاهدهشده معنیدار بوده است از این لحاظ جزو ایستگاههایی بهشمار میروند که هر سه مدل خوب جواب داده است. اما ایستگاهی مث اهر به طور متوسط نه ماه دادههای مدلشده در آن با مشاهدات اختالف معنیدار داشته است این امر نشاندهندۀ خطای فراوان مدلها در این ایستگاه است. ناپایداری دمایی ایستگاه اهر را میتوان یکی از دالی این اختالفات دانست. در مقام مقایس سه مدل طبق آزمون من- ویتنی میانگین تعداد ماههای دارای اختالف معنیدار در ک ایستگاههای منطقه برای مدل LARS-WG پنج ماه برای مدل چهار ماه و

15 مقایسة روشهای ریزمقیاسنمایی آماری مدلهای تغییر اقلیم در شبیهسازی عناصر اقلیمی در منطقة شمال غرب ایران 5 برای مدل ANN پنج ماه محاسبه شده است. پس میتوان گفت عملکرد سه مدل برای حداق دما در منطق مورد مطالعه از لحاظ آزمون من- ویتنی نزدیک به هماند. نتایج آزمون همبستگی اسپیرمن برای دمای حداق نشان میدهد که تعداد ماههایی که همبستگی دادههای مدلشده و مشاهدهشده معنیدار است در کلی ایستگاهها برای مدل LARS- WG با میانگین یک ماه در سال کمتر از دو مدل دیگر است و نشاندهندۀ عملکرد پایین مدل LARS-WG از این لحاظ است. البته دلی همبستگی کم این مدل را میتوان در ساختار تصادفیبودن آن جستوجو کرد. میانگین تعداد ماههای با همبستگی معنیدار برای مدل ANN هفت ماه از سال است که بهترین عملکرد را از این لحاظ در بین سه مدل دارد. مدل نیز با چهار ماه همبستگی معنیدار در سال بینابین است. از لحاظ شاخص RMSE در جدول برای حداق دما مدلهای LARS-WG و ANN میانگین مقادیر مجمو مربعات خطایشان نزدیک به هم است و نشاندهندۀ عملکرد نزدیک به هم دو مدل است و مقادیر RMSE در آنها کمتر از مدل است همین امر نشان میدهد که عملکرد مدل کمتر از دو مدل دیگر است ولی در بعضی از ایستگاهها مث زنجان عملکرد مدل بهتر از دو مدل دیگر است. طبق جدول نتایج آزمون من- ویتنی برای حداکثر دما نشان میدهد که بهجز ایستگاههای تبریز و سقز که تعداد اختالف ماههای معنیدار تا حدودی نسبت به بقی ایستگاهها بیشتر است تفاوت نتایج آزمون برای ایستگاهها آنقدر نیست. میانگین تعداد ماههای دارای اختالف معنیدار در آزمون من- ویتنی برای سه مدل مورد بررسی نزدیک به هم است )برای مدل LARS-WG دو ماه مدل دو ماه و مدل ANN سه ماه( این امر نشاندهندۀ عملکرد مشابه سه مدل از لحاظ نتایج آزمون من- ویتنی است. نتایج آزمون همبستگی اسپیرمن برای حداکثر دما نیز نشان میدهد که تعداد ماههای با همبستگی معنیدار برای ایستگاهها آنقدر متفاوت نیست ولی مقایس سه مدل مورد بررسی نشان میدهد که میانگین تعداد ماههای با همبستگی معنیدار در مدل LARS-WG فقط یک ماه بوده و نشاندهندۀ همبستگی پایین دادههای مدلشده و مشاهدهشده در این روش است. ولی برای دو مدل و ANN میانگین تعداد ماههای با همبستگی معنیدار هفت ماه بوده که نشاندهندۀ عملکرد خوب و مشابه این دو مدل است. اما طبق شاخص RMSE عملکرد مدل ANN بهتر از دو مدل دیگر است زیرا دارای کمترین میانگین شاخص RMSE در بین ایستگاههاست و بعد از مدل LARS-WG دارای عملکرد بهتری است. و در آخر مدل پایینترین عملکرد را از این لحاظ دارد. البته باید ذکر کرد که تفاوت شاخص RMSE در بین ایستگاهها متفاوت است. مثال ایستگاههای تبریز اردبی و میانه دارای شاخص RMSE باالیی برای مدل هستند همین امر باعث شده است که میانگین شاخص RMSE برای مدل اخیر باالتر از دو مدل دیگر شود. در حالی که برای ایستگاههایی مث پارسآباد جلفا و زنجان مقدار شاخص RMSE برای مدل کمتر از دو مدل دیگر است که نشاندهندۀ عملکرد خوب این مدل در این ایستگاههاست.

16 پژوهشهای جغرافیای طبیعی دورة 9 شماره تابستان 96 6 جدول. نتایص آزمونهای مقایسهای همبستگی و شاخص خطای ماهانة میانگین حداقل دمای مدلهای LARS-WG و ANN برای دوازده ایستگاه مورد مطالعه در دورة آماری 99 ا RMSE ایستگاه تعداد ماههای با اختالف معنیدار در آزمون من- ویتنی تعداد ماههای با همبستگی معنیدار ANN LARS- WG ANN LARS-WG ANN LARS-WG / 5 / 65 / 6 تبریز 6 / / 6 5 / 9 6 اردبی / 5 / 6 / 5 خوی 5 5 / 5 / 6 / 99 9 اهر / 5 / 65 / 6 6 پارسآباد / 66 / 66 / جلفا / 5 5 / / 5 5 ارومیه 9 / 66 / 59 / زنجان / 5 / 9 / 5 مراغه / 59 / 665 / 6 میانه 5 5 / 95 9 / 9 5 / میاندوآب / / 66 / 9 سقز / 55 6 / / 65 5 میانگین 5 بر اساس جدول 5 نتایج آزمون من- ویتنی برای پارامتر بارش نشان میدهد که میانگین تعداد ماههای با اختالف معنیدار دادههای مدلشده و مشاهدهشده برای مدل ANN شش ماه است و عملکرد پایینی نسبت به دو مدل دیگر که دارای تعداد ماههای با اختالف معنیدار دو و یک ماه است دارد. از لحاظ همبستگی اسپیرمن نیز میانگین تعداد ماههای با همبستگی معنیدار در سه مدل نزدیک به هم است و نشاندهندۀ عملکرد مشابه سه مدل از این لحاظ است. با نگاه به شاخص RMSE در جدول 5 میتوان نتیجه گرفت به طور میانگین مقدار شاخص RMSE برای مدل بسیار کمتر از دو مدل دیگر و نشاندهندۀ عملکرد خوب این مدل نسبت به دو مدل دیگر است. هرچند اختالف عملکرد سه مدل در ایستگاههای مختل متفاوت است. مثال در ایستگاههای مراغه و میانه عملکرد مدل ANN بهتر از دو مدل دیگر است. بنابراین میتوان نتیجه گرفت که عملکرد مدل بهتر از دو مدل دیگر و عملکرد مدل ANN کمی بهتر از مدل LARS-WG است. به منظور بررسی عملکرد مکانی و جغرافیایی سه مدل برای بارش در شک های 5 تا نقش جغرافیایی پهنهبندی شاخص RMSE برای منطق مورد مطالعه نشان داده شده است.

17 مقایسة روشهای ریزمقیاسنمایی آماری مدلهای تغییر اقلیم در شبیهسازی عناصر اقلیمی در منطقة شمال غرب ایران جدول. نتایص آزمونهای مقایسهای همبستگی و شاخص خطای ماهانة میانگین حداکثر دمای مدلهای LARS- WG و ANN برای دوازده ایستگاه مورد مطالعه در دورة آماری 99 ا RMSE ایستگاه تعداد ماههای با اختالف معنیدار در آزمون من- ویتنی تعداد ماههای با همبستگی معنیدار ANN LARS- WG ANN LARS-WG ANN LARS-WG / 5 / 5 / تبریز / / / 56 5 اردبی / / / 6 خوی / / / اهر / 96 / / 9 9 پارسآباد / 66 / 65 6 / جلفا / 69 / / ارومیه / 6 / 6 5 / 56 9 زنجان / 6 5 / 56 5 / 6 مراغه 6 / 66 / 56 / 5 9 میانه / 6 / 55 5 / 9 میاندواب / 9 / 6 6 / 9 5 سقز 5 5 / 55 6 / 6 5 / 9 میانگین پهنهبندی شاخص RMSE برای سه مدل )شک های 5 تا ( نشان میدهد که خطای مدلها در منطق جنوب غرب بهویژه در ایستگاه سقز زیاد است. یک دلی اقلیمی و آماری میتوان برای این موضو مطرح کرد: اینکه این منطقه تحت تأثیر سامانههای مدیترانهای است و نسبت به مناطق دیگر بسیار ناپایدار است و تغییرات بارش در این مناطق بیشتر است همین امر تخمین بارش را سختتر میکند. این موضو بهویژه در مدل )شک 5( کامال مشهود است زیرا ساختار این مدل بر اساس ارتباط پارامتر اقلیمی منطقه با متغیرهای بزرگمقیاس اقلیمی پایهریزی شده است و تا حدودی به سامانههای هواشناسی ورودی و تغییرات فشار وابسته است. از آنجا که ساختار مدل شبک عصبی بر اساس ارتباطات منطقی متغیرها پایهریزی شده است همین مسئله برای مدل شبک عصبی TRLN )شک 6( تا حدودی برقرار است. البته بهجز ایستگاه تبریز که مدل خطای بسیار زیادی دارد بقی ایستگاهها از همین روند پیروی میکنند. برای مدل LARS-WG )شک ( نیز میتوان نتیج مشابه را گرفت البته در این میان فقط ایستگاه پارسآباد در شمال شر منطقه نسبت به ایستگاههای اطراف خود دارای خطای باالی مدل است. دلی این امر میتواند خأل آماری زیاد دادههای ایستگاه باشد که در باالرفتن خطای مدل تأثیر زیادی دارد زیرا ساختار مدل LARS-WG بر اساس تولید تصادفی دادهها طبق دادههای ورودی ایستگاه پایهریزی شده است و وابستگی کام به کیفیت دادههای ورودی ایستگاه دارد.

18 پژوهشهای جغرافیای طبیعی دورة 9 شماره تابستان 96 جدول 5. نتایص آزمونهای مقایسهای همبستگی و شاخص خطای ماهانة بارش مدلهای LARS-WG و ANN برای دوازده ایستگاه مورد مطالعه در دورة آماری 99 ا ANN RMSE LARS- WG ANN ایستگاه تعداد ماههای با اختالف معنیدار در آزمون من- ویتنی تعداد ماههای با همبستگی معنیدار LARS- WG ANN LARS- WG 66 / 9 5 / 656 / 55 تبریز 66 / 56 / 6 / 6 5 اردبی / 9 / 5 / 9 خوی / / 69 / 65 6 اهر 9 / 55 / / پارسآباد / 5 / 566 / جلفا 59 / 6 / 5 95 / 56 ارومیه 9 / 9 9 / 96 9 / 6 زنجان 6 / 5 5 / 5 / 5 مراغه / 596 / 6 5 / 9 میانه 69 / 6 6 / 95 9 / 5 میاندواب 6 / 6 / 9 / 6 5 سقز 9 / 6 6 / 96 6 / 5 6 میانگین شکل 5. پهنهبندی شاخص RMSE برای عملکرد مدل برای ریزمقیاسنمایی بارش شمال غرب ایران

19 مقایسة روشهای ریزمقیاسنمایی آماری مدلهای تغییر اقلیم در شبیهسازی عناصر اقلیمی در منطقة شمال غرب ایران 9 شکل 6. پهنهبندی شاخص RMSE برای عملکرد مدل شبکة عصبی TRLN برای ریزمقیاسنمایی بارش شمال غرب ایران شکل. پهنهبندی شاخص RMSE برای عملکرد مدل LARS-WG برای ریزمقیاسنمایی بارش شمال غرب ایران

20 پژوهشهای جغرافیای طبیعی دورة 9 شماره تابستان 96 تولید سناریوی تغییر اقلیم بارش برای دورة آتی در این بررسی عالوه بر مقایس عملکرد مدلها نتایج خروجی ریزمقیاسشدۀ تولید سناریوی مدل گردش عمومی جو HadCM تحت سناریوی بدبینان A و LARS-WG برای بارش در دورۀ آتی 6 65 توسط دو مدل ریزمقیاسنمایی در ایستگاههای مورد مطالع شمال غرب آورده شده است. از آنجا که بر اساس نتایج عملکرد مدل برای بارش بهتر از دو مدل دیگر بوده است نتایج سناریوی این مدل برای بارش آورده شده و با نتایج سناریوی بارش مدل تصادفی LARS-WG به عنوان مدل کنترل مقایسه شده است. شک نقش پهنهبندی درصد تغییرات بارش دورۀ آتی 6 65 را نسبت به دورۀ پای در فصول زمستان بهار و پاییز نشان میدهد. طبق شک نقشههای درصد تغییرات بارش فص زمستان نشان میدهد که اختالف نتایج دو مدل محسوس است به طوری که در مدل در بیشتر مناطق کاهش تا درصدی مشاهده خواهد شد. البته در منطق اردبی میاندوآب و خوی این کاهش بیشتر است. ولی طبق مدل LARS-WG در مناطق غربی نرمال تا درصد کاهش و در مناطق شرقی تا درصد افزایش را مشاهده خواهیم کرد. البته بر اساس نتایج بهدستآمده مدل قاب اعتماد است. درصد تغییرات بارش در فص بهار نشان میدهد که طبق نتایج خروجی دو مدل در بیشتر مناطق بارش تا درصد کاهش خواهد یافت. البته در مدل فقط منطق ارومیه نرمال است یا بیش از درصد افزایش دارد. در حالی که در مدل LARS-WG منطق میاندوآب با چنین شرایطی روبهروست. درصد تغییرات بارش در فص پاییز نیز نشان میدهد که اختالف نتایج دو مدل محسوس است به طوری که در مدل در بیشتر مناطق بارش تا درصد کاهش یافته است. البته در مراغه بارش کاهش و در زنجان افزایش خواهد یافت. ولی طبق مدل LARS-WG در بیشتر مناطق افزایش بارش تا درصد خواهد بود. البته مناطق جلفا و پارسآباد کاهش بارش را تجربه خواهند کرد. بحث و نتیجهگیری مطالعات ارزیابی تغییر اقلیم در مناطق و اقالیم مختل نشان میدهد که کارایی مدلهای ریزمقیاسنمایی آماری متفاوت و نتایج ارزیابی نیز گوناگون است )سجادخان و همکاران کارآموز و همکاران 9 ساروار و همکاران ژائوفولی و همکاران گودرزی و همکاران 9(. بنابراین برای رسیدن به دورنمایی از اقلیم منطق مورد مطالعه با کمترین عدم قطعیت استفاده از فقط یک مدل ریزمقیاسنمایی منطقی بهنظر نمیرسد. سه مدل ریزمقیاسنمایی آماری که کاربرد زیادی در مطالعات ارزیابی تغییر اقلیم دارند عبارتاند از: مدلهای ریزمقیاسنمایی آماری مدل شبک عصبی مصنوعی )ANN( و مدل مولد آبوهوایی.LARS-WG البته مطالعاتی که در منطق شمال غرب انجام یافته بیشتر به صورت نقطه ای یا در ح وض آبریز دریاچ ارومیه و دیگر زیرحوضههای منطقه بوده است )خورشیددوست و قویدل آشفته و مساح بوانی مهسافر و همکاران 9 دهقانیپور و همکاران 9 خانی تملیه 9 رضایی زمان و همکاران 9 دالور و همکاران 9(. در این مطالعات از مدلهای GCM بهتنهایی و مدلهای ریزمقیاسنمایی LARS-WG و مدلهای شبک عصبی مصنوعی یا نروفازی استفاده شده است. نتایج هم مطالعات افزایش دما را در منطقه نشان داده است. بارش نیز در بیشتر موارد بهجز ایستگاه ارومیه که افزایش درصدی را نشان داده کاهش را پیشبینیکرده است هرچند میزان درصد کاهش متفاوت است. تنها

21 مقایسة روشهای ریزمقیاسنمایی آماری مدلهای تغییر اقلیم در شبیهسازی عناصر اقلیمی در منطقة شمال غرب ایران مطالعهای که در ک منطق شمال غرب انجام شده مطالع قمقانی و همکاران )9( است نتیج این مطالعه افزایش دما و کاهش بارش در منطقه بوده است. در این بررسی از سه مدل ریزمقیاسنمایی آماری اخیر برای ارزیابی تغییر اقلیم شمال غرب ایران استفاده شد. بهار پاییز زمستان شکل. سناریوی درصد تغییرات بارش خروجی ریزمقیاسشدة مدل گردش عمومی HadCM تحت سناریوی A در دورة آتی )6 ا 65( نسبت به دورة پایه 96 ا 99 با استفاده از مدلهای ریزمقیاسنمایی و LARS-WG در منطقة شمال غرب

22 پژوهشهای جغرافیای طبیعی دورة 9 شماره تابستان 96 نتایج نشان میدهد که در مطالع ارزیابی تغییر اقلیم شمال غرب عملکرد سه مدل ریزمقیاسنمایی مورد بررسی متفاوت است. عالوه بر آن عملکرد یک روش در ایستگاههای مختل نیز نتایج متفاوتی داشته است. برای تشریح بهتر نتایج تحلی ها را میتوان به طور جدا برای دما و بارش ارائه داد زیرا به دلی ساختار توزیعی و اقلیمی متفاوت پارامترها نتایج عملکرد مدلها برای دو پارامتر نیز متفاوت است. دما طبق بررسی بهعم آمده با استفاده از آزمون من- ویتنی که در آن اختالف دادههای تولیدشدۀ مدل و مشاهدهشده آزمون میشود برای پا رامترهای دمای حداق و حداکثر سه مدل چندان عملکرد متفاوتی ندارند. اما نتایج این آزمون در ایستگاههای مختل تا حدودی متفاوت است. نتایج آزمون همبستگی اسپیرمن نیز نشان میدهد که همبستگی دادههای مدلشده و مشاهدات برای مدل LARS-WG معنیدار نیستند. البته این امر به دلی تصادفیبودن خروجی این مدل است. همبستگی دادهها برای مدلهای و ANN برای حداکثر دما باالست و برای حداق دما همبستگی در مدل کمتر از مدل ANN است. البته به دلی ساختار یکسان دو روش و استفاده از پیشبینیکنندههای بزرگمقیاس چنین نتیجهای دور از انتظار نبود. از لحاظ شاخص RMSE مدل ANN مناسبتر از مدل LARS-WG و مدل بوده است همچنین مدل LARS-WG بهتر از مدل بوده است. هرچند در برخی از ایستگاهها ترتیب عملکرد مدلها به گون دیگری بود. ولی به طور میانگین مدل ANN بهترین عملکرد را از لحاظ شاخص RMSE داشته است. نتیج کلی این است که مدل ANN برای دما در منطق مورد مطالعه مناسبتر از دو مدل دیگر است. بارش نتایج آزمون من- ویتنی برای بارش نشان میدهد که اختالف معنیدار دادههای مدلشده و مشاهدهشده برای مدل ANN بسیار بیشتر از دو مدل دیگر است این امر نشان دهندۀ عملکرد پایین این مد ل است. دو مد ل و LARS-WG از این لحاظ عملکرد خوب و مشابهی دارند. از لحاظ آزمون همبستگی اسپیرمن هر سه مدل دارای همبستگی پایین دادههای مدلشده و مشاهدهشدهاند این امر نشاندهندۀ عملکرد پایین سه مدل در منطق مورد مطالعه است. به لحاظ شاخص RMSE نیز مدل به طور میانگین عملکرد بهتری نسبت به دو مدل دیگر داشته است. دو مدل ANN و LARS-WG مدل عملکرد پایینتر و مشابهی دارند. بر اساس نتایج سه شاخص میتوان نتیجه گرفت که بهتر از دو مدل دیگر است و پس از آن مدل LARS-WG مناسبتر است. دلی عملکرد بهتر مدل را میتوان در استفاده از پیشبینیکنندههای بزرگ مقیاس که تأثیر زیادی در روند بارش دارند دان ست و همچنین ساختار ترکیبی رگرسیونی و سری زمانی آن. بنابراین با توجه به این مطالعه پیشنهاد می شود برای ارزیابی تغییر اقلیم به جای استفاده از یک روش ریزمقیاسنمایی خا از چند روش به طور همزمان استفاده شود و نیز از روشی که دارای کمترین عدم قطعیت باشد برای ارزیابی تغییر اقلیم استفاده کرد. نتایج نشان میدهد که عملکرد مدلهای ریزمقیاسنمایی بسته به نو ساختارشان

23 ( مقایسة روشهای ریزمقیاسنمایی آماری مدلهای تغییر اقلیم در شبیهسازی عناصر اقلیمی در منطقة شمال غرب ایران تحت تأثیر عوام اقلیمی و فصلی است. نتایج خروجی سناریوی اقلیمی بارش برای دورۀ آتی 6 65 در شک مبی ن همین موضو است به طوری که نتایج خروجی دو مدل و LARS-WG در سه فص مورد بررسی در مناطق مختل متفاوت است. طبق نتایج بهدستآمده در منطق شمال غرب ایران عملکرد سه مدل مورد بررسی در جنوب غرب منطقه نسبت به مناطق دیگر پایینتر است. دلی این امر می ت واند به سبب ن و ا قلیم منطقه و میزان ناپایداریهای جو ی منطقه باشد. بر اساس همین نتایج برای ارزیابی تغییر اقلیم در منطق شمال غرب ایران و برای پیشبینی بلندمدت تغییر اقلیم دما از بین سه مدل مورد بررسی مدل شبک عصبی مصنوعی ANN از نو مدل ترکیبی سری زمانی TLRN( پیشنهاد میشود. ولی برای ارزیابی تغییر اقلیم بارش در منطق مورد نظر مدل پیشنهاد میشود. البته عملکرد مدلها به مکان یا ایستگاه مربوطه نیز وابسته است و اقلیم یا توزیا آماری پارامترهای اقلیمی و طول دورۀ آماری ایستگاه روی عملکرد مدل تأثیر میگذارد. منابع آشفته پ س.. و مساح بوانی تحقیقات منابا آب ایران 5)(.. )(. تأثیر عدم قطعیت تغییر اقلیم بر رژیم سیالب )مطالع موردی: حوض آیدوغموش آذربایجان شرقی( مجل اشرف ب. موسوی بایگی م. کمالی غ. و داوری ک. )9(. پیشبینی تغییرات فصلی پارامترهای اقلیم ی ریزمقیاسنمایی آماری دادههای مدل HADCM) مطالع کشاورزی( 5)(: در سال آتی با استفاده از موردی: استان خراسان رضوی( نشری آب و خاک )علوم و صنایا بابائیان ا. و کوهی م. )9(. ارزیابی شاخصهای اقلیم کشاورزی تحت سناریوهای تغییر اقلیم در ایستگاههای منتخب خراسان رضوی نشری آب و خاک )علوم و صنایا کشاورزی( 6)(: بابائیان ا. نجفی نیک ز. زاب عباسی ف. حبیبی نوخندان م. ادب ح. و ملبوسی ش. )(. ارزیا یب میال ید تغییر اقلیم کشور در دورۀ 9 با استفاده از ریزمقیاسنمایی دادههای مدل گردش عمومی جو ECHO- مجل جغرافیا و توسعه 5 6: 5. خانی تملیه ذ. )9(. ارزیا یب جریان )مطالع اثرات تغییر اقلیم بر شاخصهای خشکسالی در سیستمهای منابا آب با استفاده از تکنی ک موردی: دریاچ پایاننام ارومیه(. گروه مهندسی آب دانشکدۀ کشاورزی دانشگاه ارومیه. تولید دادۀ مصنوعی خورشیددوست.م. و قویدل ی. )(. شبیهسازی آثار دو برابر شدن دیاکسید کربن جو بر تغییر اقلیم تبریز با استفاده از مدل آزمایشگاه پویایی سیاالت ژئوفیزیکی )GFDL( مجل محیطشناسی 9:. دالور م. بابایی ا. و فتاحی ا. )9(. بررسی اثرات تغییر اقلیم بر نوسانات تراز آب دریاچ ارومیه نشری پژوهشه یا اقلیمشناسی 5)9 و (. )مطالع دهقانیپور ا.ح. حسنزاده م.ج. عطاری ج. و عراقینژاد ش. )9(. ارزیابی توانمندی مدل در ریزمقیاسنمایی بارش دما و تبخیر موردی: ایستگاه سینوپتیک تبریز( یازدهمین سمینار سراسری آبیا یر و کاهش تبخیر بهمنماه 9. رسولی.ا. رضایی بنفشه م. مساح بوانی. خورشیددوست.م. و قرمزچشمه ب. )9(. بررسی اثر عوام مرفو- اقلیمی بر دقت ریزمقیاسگردانی مدل LARS-WG نشری علوم و مهندسی آبخیزداری ایران )(: 9. رضایی زمان م. مرید س. و دالور م. )9(. ارزیا یب اثرات تغییر اقلیم بر متغیرهای هیدروکلیماتولوژی حوض سیمینهرود نشری آب و خاک :)6(.59

24 ض. پژوهشهای جغرافیای طبیعی دورة 9 شماره تابستان 96 سبحانی ب. اصالحی م. و بابائیان ا. )9(. کارایی الگوهای ریزمقیاسنمایی آماری و LARS-WG در شبیهسازی متغیرهای هواشناسی در حوض آبریز دریاچ ارومیه پژوهشهای جغرافیای طبیعی )(:56. شهرآشوب م. و میکائیلی ف. )6(. مفاهیم و روشه یا قمقامی م. قهرمان ن. و حجابی س. آماری مرکز نشر دانشگاهی. )9(. آشکارسازی تأثیر تغییر اقلیم بر خشکسالیهای هواشناسی در شمال غرب ایران مجل فیزی ک زمین و فضا )(: 6-. گ محمدی م. و مساح بوانی. )9(. بررسی تغییرات شدت و دورۀ بازگشت خشکسالی حوض اقلیم نشری آب و خاک )علوم و صنایا کشاورزی( 5)(: 5 6. قرهسو در دورههای آتی تحت تأثیر تغییر مهسافر ح. مکنون ر. و ثقفیان ب. )9(. اثر تغییر اقلیم بر بیالن آ یب دریاچ ارومیه مجل تحقیقات منابا آب ایران )(. Ashofteh, P.S. and Masahboani, A. (9). Impact of Climate Change Uncertainty on Flood regime (Case study: East Azarbaijan Aidehghomoush Basin), Iranian Journal of Water Resources Research, 5(). Ashraf, B.; Mousavibaygi, M.; Kamali, G. and Davari, K. (). Predict seasonal changes of climatology parameters in next years by using statistical downscaling of HADCM model output (case study: Korasan Razavi Province), Journal of Water and Soil (Science and Industrial Agriculture), 5(): Babaeian, A. and Kouhi, M. (). Indexes evaluation of agriculture climate under climate change scenarios at selected stations in Khorasan Razavi, Journal of Water and Soil (Science and Industrial Agriculture), 6(): Babaeian, A.; Najafinik, Z.; Habibinokhandan, M.; Zabolabbasi, F.; Adab, H. and Malbousi, S. (). The modeling of Iran climate in the period -9, by using statistical downscaling of ECHO-G model output, Technical workshop on climate change impacts on water resources management, Feb. Cheema, S.B.; Rasul, G.; Ali, G. and Kazmi, D.H. (). A Comparison of Minimum Temperature Trends with Model Projections, Pakistan Journal of Meteorology, (5). Coulibaly, P.; Dibike, Y.B. and Anctil, F. (5). Downscalingprecipitation and temperature with temporal neural networks, J.Hydrometeorol. Dehghanipoor, A.H.; Hasanzadeh, M.J.; Attari, J. And IraqiNezhad, Sh. (). Evaluation of model capability in the Downscaling of precipitation, temperature, and evaporation (Case Study: Synoptic Station of Tabriz), th Irrigation Seminar and Evaporation Reduction, - February. Delaware, M.; Babaei, A. and Fattahi, A. (). Investigating the effects of climate change on the fluctuation of water balance in Urmia Lake, Journal of Clinical Research, 5(9 and ). Fowler, H.J; Blenkinsop, S. and Tebaldi, C. (). Linking climate change modelling to impacts studies: recent advances in downscaling techniques for hydrological modelling, International Journal of Climatology, :5-5. Golmohammadi, M. and Masahboani, A. (). Evaluation of drought severity and recurrence in future periods affected by climate change in the basin Gharehsou, Journal of Water and Soil (Science and Industrial Agriculture), 5(): 5-6. Goodarzi, E.; Dastorani, M.T.; Massah Bavani, A. and Talebi, A. (5). Evaluation of the Change-Factor and LARS- WG Methods of Downscaling for Simulation of Climatic Variables in the Future (Case study: Herat Azam Watershed, Yazd - Iran), ECOPERSIA, (). Hashemi, M.Z.; Shamseldin, A.Y. and Melville, B.W. (9). Downscaling of future rainfall extreme events: a weather generator based approach, th World IMACS/ MODSIM Congress, Cairns, Australia - July 9. Karamouz, M.; Fallahi, M.; Nazif, S. and RahimiFarahan, M. (9). Long Lead Rainfall Prediction Using Statistical Downscaling and Arti_cial Neural Network Modeling, Transaction A: Civil Engineering, 6(): 65-. Kazmi, D.H.; Rasul, G.; Li, J. and Cheema, S.B. (). Comparative Study for ECHAM5 and in Downscaling Temperature for a Geo-Climatically Diversified Region, Pakistan, Applied Mathematics, 5: -. Khani Tamilie, D. (). Assessment of the effects of climate change on drought indices in water resources systems using artificial flow generation method (Case study: Urmia lake), Department of Water Engineering, Faculty of Agriculture, Urmia University.

25 مقایسة روشهای ریزمقیاسنمایی آماری مدلهای تغییر اقلیم در شبیهسازی عناصر اقلیمی در منطقة شمال غرب ایران 5 Korshiddoust, A.M. and Ghavidel, Y. (5). Simulation of the effects of doubling of atmospheric carbon dioxide on climate change in Tabriz using the GFDL model, Journal of the Environment, 9: -. Mahsafar, H.; Maknoun, R. and Saghafian, B. (). The Effect of Climate Change on Water Burning Urmia Lake, Journal of Iranian Water Resources Research, (). Meenu, R.; Rehana, S. and Mujumdar, P.P. (). Assessment of hydrologic impacts of climate change in Tunga Bhadra river basin, India with HEC-HMS and, Hydrological Processes, Published online in Wiley Online Library, DOI:./hyp.9. Nury, A.H. and Alam, M.J.B. (). Performance Study of Global Circulation Model HADCM Using for Temperature and Rainfall in North-Eastern Bangladesh, Journal Of Scientific Research, 6(): -96. Osman, Y.; Al Ansari, N.; Abdellatif, M.; Aljawad, S.B. and Knutsson, S. (). Expected Future Precipitation in Central Iraq using LARSWG Stochastic Weather Generator, Published Online in SciRes. Principle, J.C.; Euliano, N.R. and Lefebvre, W.C. (). Neural and Adaptive Systems: Fundamentals through Simulations, Wiley, New York. Qamghami, M.; Ghahreman, N. And Hejabi, S. (). Detection of Climate Change Effects on Meteorological Droughts in Northwest of Iran, Journal of Physics of Earth and Space, (): 6-. Rajabi, A. and Shabanlou, S. (). Climate Index Changes In Future By Using In Kermanshah, Iran, Journal of Environmental Research And Development, (). Rasouli, A.A.; Rezaeibanafsheh, M.; Masahboani, A.; Khorshiddoust, A.M. and Ghermezcheshmeh, B. (). Study Of Morpho-Climatic Factors Effect On The Accuracy Of Downscaling Of LARS-WG Model, Iranian Journal of Watershed Management Science and Engineering, (): 9-. Reddy, K.S.; Kumar, M.; Maruthi, V.; Umesha, B. Vijayalaxmi and NageswarRao, C.V.K. (). Climate change analysis in southern Telangana region, Andhra Pradesh using LARS-WG model, Research Articles, Current Science, (): 5-6. Resko, P.; Szeidl, L. and Semenov, M.A. (99). A serial approach to local stochastic models, J. Ecological Modeling, 5: -. Rezaei-e-Zaman, M.; Morid, S. And Delaware, M. (). Evaluation of Climate Change Effects on Hydroclimatic Variables in Siminehrood Hidro Basin, Journal of Water and Soil, (6): -59. SajjadKhan, M.; Coulibaly, P. and Dibike, Y. (6). Uncertainty analysis of statistical downscaling methods, Journal of Hydrology, 9: 5-. Sarwar, R.; Irwin, S.E.; King, L.M. And Simonovic, S.P. (). Assessment of climatic vulnerability in the Upper Thames River basin: Downscaling with, Water Resources Research Report, Department of Civil and Environmental Engineering, The University of Western Ontario. Sharashoub, M. and Mikaeili, F. (99). Concepts and Statistical Methods, Markeze Nashre Daneshgahi. Sobhani, B.; Eslahi, M. and Babaeian, I. (5). Performance of Statistical Downscaling Models of and LARS- WG in the Simulation of Meteorological Parameters in the Basin of Lake Urmia, Physical Geography Research Quarterly, (): Wilby, R.L.; Dawson, C.W. and Barrow, E.M. (). A decision support tool for the assessment of regional climate change impacts, Environmental Modelling & Software, : -59. Wilby, R.L.; Hay, L.E. and Leavesley, G.H. (999). A comparison ofdownscaled and raw GCM output: implications for climatechange scenarios in the San Juan River Basin, Colorado. JHydrol, 5: 6-9. Wilby, R.L.; S.P. Zorita, E.; Timbal, B.; Whetton, P. and Mearns, L. (). Guidelines for Use of Climate Scenarios Developed from Statistical Downscaling Methods, IPCC Reports. Wilby, R.L.; Tomlinson, O.J. And Dawson, C.W. (). Multi-Site Simulation Of Precipitation By Conditional Resampling, Climate Research, : -9. Zhaofei, L.; Zongxue, X.; Charles, S.P.; Guobin, F. and Liu, L. (). Evaluation of two statistical downscaling models for daily precipitation over an arid basin in China, Int. J. Climatol, : 6-.