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.
ghadami dehno M, Goodarzi M, Soltani S, naderi S, kakapor V. Performance of the AR4 and ATR Models in the Simulation of Climatic Parameters with Artificial Neural Network (Case Study: Watershed Cezar). jwmseir 2018; 12 (42) :1-9 URL: http://jwmsei.ir/article-1-458-fa.html
قدمی دهنو محمد، گودرزی مسعود، سلطانی سعید، نادری سهراب، کاکاپور وحید. عملکرد مدل های AR4 و ATR در شبیه سازی پارامتر های اقلیمی با شبکه عصبی مصنوعی مطالعه موردی: حوزه آبخیز سزار. مجله علوم ومهندسی آبخیزداری ایران. 1397; 12 (42) :1-9
به اطلاع کلیه نویسندگان ، محققین و داوران محترم می رساند:با عنایت به تصمیم هیئت تحریریه مجله علمی پژوهشی علوم و مهندسی آبخیزداری فرمت تهیه مقاله به شکل پیوست در بخش راهنمای نویسندگان تغییر کرده است. در این راستا، از تاریخ ۱۴۰۳/۰۱/۲۱ کلیه مقالات ارسالی فقط در صورتی که طبق راهنمای نگارش جدید تنظیم شده باشد مورد بررسی قرار خواهد گرفت.