امروزه، استفاده از خروجی های الگوهای گردش عمومی در مطالعات هواشناسی و اقلیم شناسی، گسترش پیدا کرده و بسیاری از خلاهای محاسباتی را پوشش داده است. با توجه به این که اخیرا قدرت تفکیک الگوهای گردش عمومی و منطقه ای به شکل چشمگیری افزایش یافته است، اما هیچ یک از این الگوها قادر به پیش بینی آب و هوای واقعی در مقیاس ایستگاهی و خرد مقیاس نیست، لذا جهت به کارگیری خروجی این الگوها روش های مختلفی به کار برده می شود. این روش ها که به دو دسته آماری و دینامیکی تقسیم شده و گاهی به صورت تلفیقی از هردو به کار می روند به روش های ریزگردانی معروف اند. نوشتار حاضر می کوشد تا با انتخاب بهترین سناریوی اقلیمی، که هم خوانی مناسبی با داده های دیده بانی شده منطقه (ایستگاه های سینوپتیک استان خراسان) دارد و به کارگیری روش های آماری و دینامیکی، بهترین داده های اقلیمی را که با داده های واقعی هم خوانی داشته باشد، استخراج نماید تا با به دست آوردن ضرایب وزنی بین آنها پس از ریزگردانی، داده های پیش بینی اصلاح شده ای را استخراج نماید. در پایان با کاربرد شاخص استاندارد شده بارش، پهنه بندی مناسبی از وضعیت خشکسالی در آینده ارایه شود.

یکی از ابراز پرکاربرد در پیش بینی آب و هوا و بررسی تاثیرات تغییر اقلیم بر روی پارامترهای آب وهوا مدل گردش عمومی (GCM) می باشد. در این مطالعه ریزمقیاس نمایی GCMها با استفاده از شبکه عصبی مصنوعی انجام گرفته است. از آنجایی که روش کلاسیک شبکه عصبی مصنوعی (پیش بینی نقطه ای) هیچ اطلاعاتی درباره ی دقت پیش بینی نمی دهد، از فواصل پیش بینی برای کمیت سنجی دقت ریزمقیاس نمایی شبکه عصبی مصنوعی استفاده شده است. برای محاسبه فواصل پیش بینی از روش جدید حد بالا و پایین (LUBE) استفاده شده است، که در آن شبکه عصبی با دو خروجی برای تخمین حدود پیش بینی ساخته شده است. همچنین روش کلاسیک بوت استرپ، روشی برای ارزیابی عدم قطعیت پیش بینی مورد استفاده قرار گرفته و نتایج حاصل از دو روش مقایسه شده است. بنابراین دقت فواصل پیش بینی به وسیله دو معیار همگرایی فواصل پیش بینی و عرض فواصل، کمیت سنجی شده است. سه GCM، Can-ESM2, BNU-ESM, INM-CM4 و ترکیب آنها، در چهار نقطه ی شبکه بر روی هر یک از دو ایستگاه تبریز و اردبیل در شمال غربی ایران، برای ارزیابی فواصل پیش بینی ریزمقیاس نمایی بارش ماهانه و دما استفاده شده است. مقایسه بین نتایج دو مدل نشان داده است که روش LUBE، قابلیت اطمینان بیشتری نسبت به بوت استرپ دارد. عرض فواصل پیش بینی و احتمال همگرایی، به ترتیب 10% تا 40% کمتر و 2% تا 10% بیشتر از روش بوت استرپ برای GCM بوده است. ترکیب GCMها به نتایج دقیق تری منجر شده است و عرض فواصل پیش بینی و احتمال همگرایی، به ترتیب 10% تا 60% کمتر و 2% تا 20% بیشتر از مدل های تکی GCM بوده است.

پژوهش حاضر با هدف واکاوی تغییرات بارش شمال غرب ایران طی دهه های آتی بر اساس مدل های GCM صورت گرفته است. بدین منظور، ابتدا بارش سال های 2014-1985 بر اساس آزمون من- کندال روندیابی گردید. سپس داده های روزانه بارش برای هر یک از ایستگاه های مورد مطالعه در نرم افزار SDSM6.1 برای 2014-1985 شبیه سازی شد. آنگاه تحت سناریوهای (SSP2-4.5) و (8.5-SSP5) مدل های CanEsm5 و MPI-ESMI-2HR، بارش سال های 2043-2015 پیش بینی شد. جهت ارزیابی عملکرد مدل های CMIP6 و مقایسه مقادیر پایه و پیش بینی شده، از سنجه های آماری MSE،RMSE و MAE استفاده شد. بر اساس نتایج آزمون من- کندال، بارش دوره پایه در ایستگاه های تبریز، اردبیل، ارومیه، تکاب و مراغه دارای روند کاهشی و در ایستگاه های مشگین شهر، سردشت، ماکو، خلخال، سراب، جلفا و پارس آباد دارای روند افزایشی بود. از بین 12 ایستگاه مورد بررسی، فقط بارش ایستگاه مراغه روند کاهشی معنادار داشت. در سایر ایستگاه ها روندهای بارش معنی دار نبود. بر اساس پیش بینی های انجام شده بر اساس مدل های مذکور، تحت سناریوی متوسط (SSP 2-4.5)، در اواخر زمستان و اوایل بهار، بارش کاهش خواهد یافت. در سایر ماه ها به ویژه ماه های تابستان و پاییز، درصد کاهش بارش بیشتر خواهد بود. بر اساس سناریوی 8.5-SSP5، بیشترین درصد کاهش بارش در مدل MPI به میزان 33% در ایستگاه های جلفا، سردشت، مراغه و در مدل CanESM5 حدود 33 الی 35 درصد در ایستگاه های جلفا، تکاب و ارومیه پیش بینی گردید. طبق نتایج حاصل، اگرچه هر دو مدل، بارش را با خطای نسبتاً بالایی پیش بینی نمودند، لیکن مدل MPI نسبت به مدل CanESM5 خطای کمتر و دقت بیشتری در پیش بینی بارش داشت.