TY - JOUR JF - ijwmse JO - jwmseir VL - 12 IS - 42 PY - 2018 Y1 - 2018/10/01 TI - Performance of the AR4 and ATR Models in the Simulation of Climatic Parameters with Artificial Neural Network (Case Study: Watershed Cezar) TT - عملکرد مدل های AR4 و ATR در شبیه سازی پارامتر های اقلیمی با شبکه عصبی مصنوعی مطالعه موردی: حوزه آبخیز سزار N2 - در پژوهش حاضر عملکرد 6 مدل گردش عمومی جو به نام های HADCM3، CGCM3، CSIROMK3 (از مجموعه مدل های AR4) و CGCM1، GFDL30، NCARPCM (از مجموعه مدل های ATR) در شبیه سازی پارامتر های اقلیمی دمای میانگین و بارش حوزه سزار با استفاده از شبکه عصبی مصنوعی (ANN) مورد ارزیابی قرار گرفتند. برای آموزش شبکه عصبی مصنوعی از مدل پرسپترون forward استفاده شد. مطابق با ارزیابی عملکرد مدل ها با استفاده از ضرایب حداکثر خطای مطلق ، میانگین قدر مطلق خطا ، جذر میانگین مربعات و ضریب تبیین، در بین دو مجموعه مدل AR4 و ATR، به طور میانگین مدل های AR4 عملکرد بهتری نسبت به مدل های ATR دارند و این مدل ها عدم قطعیت کمتری در شبیه سازی پارامتر های اقلیمی دمای میانگین و بارش برای حوزه سزار در دوره 2000-1996 دارند. در بین 6 مدل ذکر شده ، مدل CGCM3 بهترین عملکرد را در شبیه سازی پارامتر های اقلیمی برای حوزه سزار دارد. این مدل همراه با HADCM3 کمترین اختلاف را با پارامتر های اقلیمی مشاهداتی دارند. همچنین نتایج نشان داد که مدل CSIROMK3.0 و CGCM1 بیشترین اختلاف را با پارامتر های اقلیمی مشاهداتی دارند. SP - 1 EP - 9 AU - ghadami dehno, mohammad AU - Goodarzi, Massoud AU - Soltani, Saeed AU - naderi, sohrab AU - kakapor, vahid AD - Isfahan University of Technology KW - uncertainty KW - artificial neural network KW - model perceptron KW - the AR4 and ATR UR - http://jwmsei.ir/article-1-458-fa.html ER -