بهبود شبیه‌سازی‌های مدل اقلیمی: رویکرد یادگیری عمیق برای اصلاح بایاس رطوبت نسبی در NEX-GDDP

شیدا مفاخری باشماق¹ سامان معروف پور²

1) فارغ التحصیل کارشناسی ارشد
2) محقق پسادکتری

کد IOI مقاله : ACZE-ACAAZD
محل انتشار : دهمین کنگره بین المللی توسعه کشاورزی، منابع طبیعی، محیط زیست و گردشگری ایران(10icsda.ir)
چکیده :
    دسترسی به داده‌های اقلیمی دقیق یکی از عوامل اصلی برای انجام پژوهش‌های قابل‌اعتماد در زمینه اقلیم و منابع آب است. اخیراً پایگاه داده پیش‌بینی‌های کاهش‌مقیاس‌یافته روزانه جهانی NEX-GDDP متعلق به مرکز تبادل زمین ناسا (NASA Earth Exchange) به‌عنوان یکی از قابل‌اعتمادترین منابع داده برای تحقیقات اقلیمی شناخته شده است. هدف این پژوهش، بهبود دقت داده‌های روزانه رطوبت نسبی NEX-GDDP با استفاده از مدل حافظه بلندکوتاه‌مدت (Long Short-Term Memory یا LSTM) بود. در این پژوهش، چهار شهر در استان خوزستان ایران برای دوره زمانی ۲۰۰۰ تا ۲۰۱۴ به‌عنوان مطالعات موردی انتخاب شدند. نتایج نشان داد که ترکیب داده‌های مشاهده‌ای دمای حداکثر و حداقل با داده‌های NEX-GDDP، دقت پیش‌بینی رطوبت نسبی را به‌طور قابل‌توجهی بهبود می‌بخشد. روش پیشنهادی موجب افزایش ۱۵٫۸۲ درصدی شاخص ویلموت (WI) و کاهش ۵۸٫۸۸ درصدی ریشه میانگین مربعات خطا (RMSE) شد.

کلمات کلیدی : تصحیح بایاس یادگیری عمیق nex gddp رطوبت نسبی