دفاعیه کارشناسی ارشد (محیط زیست) ریزمقیاس نمایی داده‌های اقلیمی با استفاده از یادگیری ماشین

 | تاریخ ارسال: 1402/6/21 | 
دانشجو: آقای کامران جلیلی
استاد راهنما: دکتر نیما حیدرزاده
زمان: دوشنبه ۲۷ شهریور ماه ۱۴۰۲ ساعت: ۰۹:۰۰
مکان: کرج دانشکده فنی و مهندسی کلاس ۲۰۳
چکیده
تغییر در اقلیم زمین از زمان شکل‌گیری آن همواره رخ داده است اما این بار عللی انسانی دارد. انتشارات گازی ناشی از استفاده گسترده سوخت‌های فسیلی سبب گشته است تا جو زمین همچون گلخانه‌ای از بازگشت موج‌های گرمایی به فضا جلوگیری کند. مدل‌های گردش عمومی (GCMs) آب و هوای گذشته، اکنون و آینده زمین را تحت‌تأثیر روند تولید گازهای گلخانه‌ای شبیه‌سازی می‌کنند. پیش‌بینی کننده‌ها برای شبیه سازی پارامترهای جوی‌ای نظیر دما، بارش، رطوبت و باد که می‌توانند وضعیت آب و هوایی و اقلیمی یک منطقه را توصیف کنند، توسط این مدل‌ها در مقیاس بزرگ تولید می‌شوند. پیش‌بینی پارامترهای جوی آینده تحت سناریوهای SSP، هر سناریو بر اساس رویکرد انسان در مصرف سوخت‌های فسیلی، دیدی از وضعیت اقلیمی آینده زمین به دست می‌دهد. ریزمقیاس نمایی داده‌های تولیدی این مدل‌ها برای ارزیابی وضعیت اقلیم آینده، به طور گسترده توسط پژوهشگران انجام می‌گیرد. یادگیری ماشین که می‌توان آن را پیش‌بینی از روی تجربه تعریف نمود، به طور قابل توجهی در مطالعات ریزمقیاس نمایی به کارگرفته شده است. در این پایان‌نامه با استفاده از الگوریتم‌های یادگیری ماشینی به ریزمقیاس نمایی داده‌های مدل اقلیمی CMIP۶ تحت دو سناریوی SSP۱-۱.۹ و SSP۵-۸.۵ در منطقه لردگان، منطقه‌ای با منابع آبی فراوان، در سال‌های ۲۱۰۰-۲۰۸۱ پرداخته شد. برای ساخت مدل و شناخت روابط بین داده‌های بزرگ مقیاس و پارامترهای جوی در دوره پایه از داده‌های بیست‌ساله ایستگاه سینوپتیک لردگان و پیش‌بینی کننده¬های NCEP استفاده گردید. به منظور انتخاب پیش‌بینی کننده‌ها از آزمون همبستگی پیرسون و تابع اطلاعات متقابل استفاده شد. در مدل‌سازی هر پارامتر ۸۰% داده‌ها برای آموزش و واسنجی و ۲۰% برای اعتبارسنجی مدل استفاده گردید. پنج الگوریتم یادگیری ماشین، رگرسیون خطی، درخت تصمیم، ماشین بردار پشتیبان، K نزدیک‌ترین همسایه و جنگل تصادفی در پیش‌بینی هر پارامتر جوی اعتبارسنجی متقابل شدند. هایپرپارامترهای الگوریتم‌های منتخب جهت توسعه مدل و ریزمقیاس نمایی با دقت بالا تنظیم گردیدند. تمامی مراحل مدل‌سازی با استفاده از کتابخانه Sickit-learn انجام گرفت. نتایج نشان داد پیش‌بینی هر پارامتر وابستگی زیادی به رابطه پیش‌بینی کننده‌ها با پارامتر جوی موردنظر دارد. از میان الگوریتم‌ها، دو الگوریتم جنگل تصادفی و ماشین بردار پشتیبان بهترین عملکرد را نشان دادند و افزایش دما در منطقه لردگان تحت هر دو سناریو آینده پیش‌بینی گردید.



CAPTCHA

دفعات مشاهده: 55 بار   |   دفعات چاپ: 6 بار   |   دفعات ارسال به دیگران: 0 بار   |   0 نظر