پیش‌بینی جریان رودخانه با کاربست مدل‌های هوشمند عصبی و LARS-WG (مطالعة موردی: حوضة آبریز کشکان)

نوع مقاله : پژوهشی

نویسندگان

1 استادیار، گروه علوم و مهندسی خاک، دانشکدة کشاورزی، دانشگاه ملایر، ملایر، ایران

2 دانش‌آموخته کارشناسی ‌ارشد، گروه علوم و مهندسی خاک، دانشکدة کشاورزی، دانشگاه ملایر، ملایر، ایران

3 دانشجوی دکتری، گروه علوم و مهندسی آب، دانشکدة کشاورزی، دانشگاه بوعلی سینا، همدان، ایران

چکیده

با توجه به محدودیت منابع آب در کشور، اتخاذ تصمیمات مدیریتی مستلزم اطلاع از وضعیت آیندة منابع آبی خواهد بود. در مطالعة حاضر برای بررسی اثر تغییر اقلیم بر مؤلفه‌های هیدرولوژیکی (دمای حداقل، دمای حداکثر، بارش و ساعات آفتابی) از اطلاعات ایستگاه آب‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌سنجی کمالوند از سرشاخه‌‌‌‌‌‌‌‌‌‌‌‌های رودخانة کشکان واقع در شهرستان خرم‌‌‌‌‌‌‌‌آباد و ایستگاه‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌های هواشناسی خرم‌آباد استفاده شد. بدین‌منظور با لحاظ اطلاعات هواشناسی در مدل ریزمقیاس‌نمایی LARS-WG، اقدام به پیش‌بینی متغیرهای هواشناسی تحت سه سناریو A1B، A2 و B1 به‌صورت سه دورة 34 ساله (از سال 2011 تا سال 2113) شد. سپس، با در نظرگرفتن اطلاعات هواشناسی طی سال‌های آینده، مقدار جریان رودخانه تحت سناریو‌‌های مختلف تغییر اقلیم توسط مدل‌های هوشمند عصبی پیش‌بینی شد. براساس نتایج به‌دست آمده، روند افزایشی در مؤلفه‌های دمای حداقل، دمای حداکثر و تبخیر-تعرق در کلیة سناریوها طی بازه‌های زمانی آینده مشاهده شد. در سناریوی A2 روند تغییرات بارش به‌صورت کاهشی و تابش خورشیدی به‌صورت افزایشی بود. این در حالی است که در دو سناریوی دیگر روند افزایش بارش و کاهش تابش خورشیدی مشاهده شد. پیش‌بینی جریان رودخانه با مدل‌های هوشمند عصبی بیان‌گر آن بود که مدل عصبی-فازی کارایی بیش‌تری نسبت به دو مدل عصبی مصنوعی و عصبی-ژنتیک داشت. نتایج حاصل از پیش‌بینی جریان رودخانه با ساختار بهینة مدل عصبی-فازی نشان داد که کم‌ترین مقدار جریان رودخانه طی سال‌های آتی در سناریوی A1B و بیش‌ترین آن در سناریوی B1 اتفاق خواهد افتاد. بررسی روند تغییرات فصلی جریان رودخانه نیز نشان داد که مقدار جریان رودخانه تا سال 2113 در سه فصل بهار، پاییز و زمستان نسبت به دورة پایه، به‌ترتیب به‌میزان 60/20، 31/17 و 27/9 درصد افزایش خواهد یافت. کم‌ترین مقدار جریان رودخانه نیز در تابستان سال‌های 2113 تا 2080 تحت سناریوی A1B پیش‌بینی شد.

کلیدواژه‌ها

موضوعات


Abbasi, D., Ashrafzadeh A., Asheghi R., Merufinia E. )2014(. A survey on the performance of fuzzy-neural network at predicting the average monthly discharge of Catchment Basin areas having snow regimes. Journal Civil Engineering and Urbanism, 4(4), 480-484. http://www.ojceu.ir/main/
Alvankar, R., Nazari, F., & Fattah, E. (2016). The intensity and return periods of drought under future climate change scenarios in Iran. Journal of Spatial Analysis Environmental Hazarts, 3(2), 99-120. doi:10.22055/jise.2016.12010. [In Persian]
Ansari, H., Khadivi, M., & Babaeian, I. (2014).  Evaluation of uncertainty LARS model under scenarios A1B, A2 and B1 in precipitation and temperature forecast (Case Study: Mashhad Synoptic Stations). Iranian Journal of Irrigation and Drainage, 8(4), 664-672. https://idj.iaid.ir/article_54812_743bba4c3ae0dec12b616078f4239ad7. [In Persian ]
Bahri, M., & Zahedi, E. (2017). Investigation of climate change impacts on streamflow regime of a River Arazkooseh River Basin. Scientific Journals Management System, 42, 109-132. dor:20.1001.1.22287736.1395.16.42.6.1
Bayatvarkeshi, M., Fashihi, R. (1398). Analyzing the results of micro-scale meteorological measurements for the future of Iran. Geography and environmental sustainability. 26, 73-87. dor:20.1001.1.23223197.1397.8.1.6.8. [In Persian ]
Booij, M.J., Tollenaar, D., Van Beek, E., & Kwadijk, J.C. (2011). Simulating impacts of climate change on River discharges in the Nile basin. Physics and Chemistry of the Earth, Parts A/B/C, 36(13), 696-709. doi:10.1016/j.pce.2011.07.042
Ghazavi, R., Nadimi, M., Omidhar, A., & Imani, R. (2018). Investigating the impact of future climate changes on the changes in the discharge of Haruchai River in Ardabil using SWAT and LARS-WG models. Hydrogeomorphology, 4(15), 55-74. https://sid.ir/paper/388740/en. [In Persian]
Hooshmand, D., & Khordadi, M.J. (2014). Uncertainty assessment of AOGCMs and emission scenarios in climatic parameters estimation (Case Study in Mashhad Synoptic Station). Geography and Environmental Hazards, 11, 77-93. doi:0.22067/geo.v3i3.29927. [In Persian]
Intergovernmental Panel on Climate Change (IPCC). (2007) https://www.ipcc.ch/data/
Kouhestani, S., Abedi Koupai, J., & Besalatpour, A. (2017). Projection of climate change impacts on the Zayandeh-Rud River Basin’s temperature by using a Bayesian Soft Computing Technique. Water and Soil Science, 21(1), 203-216. doi:10.18869/acadpub.jstnar.21.1.203. [In Persian]
Lakzaianpour, G.H., Mohamadrezapour, O., & Malmir, M. (2016). Evaluating the effects of climatic changes on runoff of Nazloochaei River in Uremia Lake Catchment area. Geography and Development, 42, 183-198. doi: 10.22111/GDIJ.2016.2350. [In Persian]
Lalozaee, A., Pahlavanravi, A., Bahreini, F., Ebrahimi, H., &Iezadi, H. (2013). Efficiency comparison of IHACRES model and artificial neural networks (ANN) in rainfall-runoff process simulation in Kameh Watershed (A Case Study in Khorasan Province, NE Iran). International Journal of Agriculture: Research and Review, 3(4), 900-907. doi:10.1016/j.pce.2019.05.002
Mehdinasab, M. (2020). Survey of1 april flood in Kashkan Catchment in Lorestan Province and presenting solutions. Scientific Quarterly Journal of Environment and Transsectoral Development, 67, 13-26. https://civilica.com/doc/1472323. [In Persian ]
Mirzania, E., Malek Ahmadi, H., Shahmohammadi., Y. & Ebrahimzadeh, A. (2021). Impact of wavelet on accuracy of estimated models in rainfall-runoff modeling (Case study: Sufi Chay). Water and Soil Management and Modeling, 1(3), 67-79. doi:10.22098/mmws.2021.9335.1035. [In Persian]
Moazami Goudarzi, F., Sarraf, A.P., & Ahmadi, H. (2020). Prediction of runoff within Maharlu Basin for future 60 years using RCP scenarios. Arabian Journal Of Geosciences, 13, 605 pages. doi: 10.1007/s12517-020-05634-x
Momeneh, S. (2022). Comparing the performance of artificial intelligence models with the IHACRES model in modeling the flow of the Gamasiab river catchment. Water and Soil Modeling and Management Journal, 2(3), 1-16. doi:10.22098/mmws.2022.9972.1076. [In Persian ]
Moqbeli Damaneh, M., & Sanainejad, H. (2016). Evaporation-transpiration potential report in Freeman region using Priestley-Taylor method and remote sensing technique. Remote Sensing and GIS for Natural Resources, 9(3), 72-84. dor:20.1001.1.26767082.1397.9.3.5.9.  [In Persian]
Nabizadeh, M., Mosaedi, A., & Dehghani, A.A. (2012). Intelligent estimation of stream flow by adaptive neuro-fuzzy Inference System. Water and Irrigation Management, 6(2), 69-80. doi:10.22059/jwim.2012.25093. [In Persian]
Najafian, S., Yazdani, M.R, Azari, A., & Rahimi, M. (2017). Climate change impacts on the maximum daily discharge under conditions of uncertainty (Dinavar basin in Kermanshah). Journal of Water and Soil Conservation, 24(1), 139-156. doi;10.22069/jwfst.2017.
10715.2513
. [In Persian]
Nazaripouya, H., Kardavany, P., & Farajy Rad, A. (2016). Assessing climate change impacts on hydro-climatic parameters in the Dam Basin of Ekbatan, Hamedan. Eco Hydrology, 3(2), 181-194. doi:10.22059/ije.2016.59656. [In Persian]
Saraf, A.P., & Soleimanipour, M. (2019). Assessing the effects of climate change on the water resources of Lar catchment using SWAT model and comparing its results with Bayesian networks and hybrid intelligent models. Natural Geography, 13(50), 61-79. dor:20.1001.1.20085656.1399.13.50.4.2. [In Persian]
Zamani, R., Akhund Ali, A. M., & roozbahani, A. (2019) .Assessment of climate change impacts on runoff under different level of probabilistic with uncertainty approach (Case Study: Zard River Basin). Irrigation Science and Engineering Journal. doi:10.22055/jise.2018.17237.1250 [In Persian ]
Zhu, Q., Jiang, H., Peng, C., Liu, J., Fang, X., Wei, X., Liu, S., & Zhou, G. (2012). Effects of future climate change, CO2 enrichment and vegetation structure variation on hydrological processes in China. Global and Planetary Change, 80, 123-135. doi;10.1016/j.gloplacha.2011.10.010