نوع مقاله : مقاله پژوهشی

نویسندگان

1 فارغ‌التحصیل کارشناسی ارشد مهندسی عمران- مهندسی و مدیریت منابع آب، دانشکده فنی مهندسی، دانشگاه محقق اردبیلی

2 دانشیار گروه مهندسی عمران، دانشکده فنی مهندسی، دانشگاه محقق اردبیلی

3 گروه مهندسی عمران، واحد اردبیل، دانشگاه آزاد اسلامی، اردبیل، ایران

چکیده

یکی از علل اصلی نگرانی‌های امروزه بحث تغییر اقلیم در ارتباط با منابع آب است. یکی از مهم‌ترین مدل‌ها برای مطالعه اثرات تغییر اقلیم، مدل‌های گردش عمومی جو GCM هستند. در این مطالعه برای تعیین پارامترهای هواشناسی و هیدرولوژیکی ایستگاه سینوپتیک اردبیل از 25 مدل سری پنجم GCM، استفاده شد. جهت تعیین مدل برتر از میان مدل‌های بررسی شده، از شاخص ضریب همبستگی خطی بین مقادیر ماهانه بارش و دمای مشاهداتی با خروجی مدل‌های GCM استفاده گردید. هم‌چنین برای ریزمقیاس‌نمایی خروجی مدل‌های GCM از شبکه عصبی مصنوعی استفاده شد. قبل از بکارگیری شبکه عصبی، برای رسیدن به یک شبکه ایده‌آل و بهینه مناسب‌ترین پارامترهای ورودی به‌شبکه از میان پارامترهای مدل‌های GCM برتر منطقه با استفاده از ضریب همبستگی خطی، تابع اطلاعات مشترک و درخت تصمیم M5 انتخاب شدند. نتایج نشان داد بر حسب شاخص ارزیابی مدل‌های MRI-CGCM3، CMCC-CMS و MPI-ESMMR مناسب‌ترین پاسخ‌ها را در ایستگاه سینوپتیک اردبیل ارائه کردند. هم‌چنین نتایج حاصل از ریزمقیاس‌نمایی با شبکه عصبی با استفاده از متغیرهایی که با روش‌ درخت تصمیم انتخاب شدند، عملکرد مناسب این روش را در انتخاب پارامترهای موثر ورودی شبکه عصبی نشان داد. هم‌چنین نتایج بدست آمده نشان داد که پارامترهای انتخاب شده مدل MRI-CGCM3 به‌عنوان ورودی شبکه عصبی به‌عنوان روش ریزمقیاس‌نمایی عملکرد بهتری را داشته است به‌طوریکه در پارامتر بارش مقدار DC، RMSE و CC برای داده-های آزمون، به ترتیب 39/0، 04/0 و 63/0 بوده است و در پارامتر دما مقدار DC، RMSE و CC برای داده‌های آزمون مدل برتر، به‌ترتیب 9/0، 03/0 و 95/0 بوده است.

کلیدواژه‌ها

عنوان مقاله [English]

An Evaluation of the Impact of Exponential downscale Input Parameters with Artificial Intelligence Method for Estimation of Hydrological Parameters (Case Study: Ardabil Synoptic Station)

نویسندگان [English]

  • Negar Einnollahzadeh 1
  • Atabak Feizi 2
  • Farnaz Daneshvar vousoughi 3

1 Graduated M.Sc. in Civil Engineering-Water Resource Management and Engineering, Dept. of Civil Engineering, University of Mohaghegh Ardabili, Ardabil, Iran

2 Associate Professor, Dept. of Civil Engineering, Faculty of Engineering, University of Mohaghegh Ardabili, Ardabil, Iran

3 Department of Civil Engineering, Ardabil Branch, Islamic Azad University, Ardabil, Iran.

چکیده [English]

There is a growing global concern about climate change's impact on water resources. In this study, 25 GCM models of the fifth series are employed to determine the meteorological and hydrological parameters of the Ardabil synoptic station. The coefficient of linear correlation between monthly precipitation values and observational temperature values from the output of GCM models is used to determine which model is superior. The output of GCM models is then downscaled using an artificial neural network. Prior to using the neural network, the most appropriate input parameters were selected from the top GCM models in the region using linear correlation coefficient, mutual information function and decision tree. The evaluation index illustrates that models including CMCC-CMS, MRI-CGCM3, and MPI-ESMMR provide the best responces in the Ardabil synoptic station, respectively. The results of downscaling with the neural network using the variables selected by the decision tree method also demonstrate the method's reliable performance for selecting effective neural network parameters. Further, the selected parameters of the MRI-CGCM3 model as neural network input of the downscale method had a better performance. Thus, DC, RMSE, and CC values for the precipitation parameter for the test data were 0.39, 0.04, and 0.63, respectively. On the other hand, in the temperature parameter, the values of DC, RMSE, and CC for the test data of the superior model were 0.9, 0.03, and 0.95, respectively.

کلیدواژه‌ها [English]

  • Climate change
  • GCM models
  • Downscaling
  • Artificial Neural Network (ANN)