نوع مقاله : مقاله پژوهشی

نویسندگان

• نگار عین اله زاده ¹
• اتابک فیضی ²
• فرناز دانشور وثوقی ³

¹ کارشناسی ارشد مهندسی عمران، مهندسی و مدیریت منابع آب، دانشکده فنی مهندسی، دانشگاه محقق اردبیلی، اردبیل، ایران

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

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

چکیده

مقدمه
در سال­های اخیر، مواردی از قبیل رشد فعالیت­‌های صنعتی، از بین رفتن محیط ­زیست و غیره، منجر به افزایش گازهای گلخانه‌­ای و برهم خوردن تعادل اقلیمی شده است که این پدیده با عنوان تغییر اقلیم یاد می­‌شود. تاثیر منفی این پدیده در سامانه­‌های مختلفی همچون منابع آب، کشاورزی، صنعت و غیره، موجب نگرانی‌­هایی برای جوامع بشری شده است. بنابراین، یکی از علت‌های اصلی نگرانی­‌های امروزه، بحث تغییر اقلیم در ارتباط با منابع آب است. تغییر اقلیم و آثار آن، یکی از مهمترین چالش‌­های مدیریت منابع آب و انرژی است که باید به‌صورت جدی بررسی شود و برنامه‌­ریزی­‌هایی به­‌منظور مقابله با آثار آن بر منابع آب صورت گیرد. هدف از این پژوهش، یافتن مناسب‌ترین مدل تغییر اقلیم برای منطقه و ارزیابی کارایی روش­‌های هوش مصنوعی در بررسی پدیده تغییر اقلیم است.
 
مواد و روش‌ها
یکی از معتبرترین روش­‌ها، برای بررسی پارامترهای موثر بر پدیده‌­های هیدرولوژیکی تحت تاثیر تغییرات اقلیم، استفاده از مدل­‌های گردش عمومی جو (GCM) است. برای استفاده از این مدل­‌ها در مقیاس منطقه‌­ای، نیاز به انجام عملیات ریزمقیاس ­نمایی است. قبل از انجام فرایند ریزمقیاس‌نمایی، به‌­علت تعداد زیاد پارامترهای حاصل از مدل­‌های گردش عمومی زمین، ابتدا باید موثرترین پارامترها از میان آن­‌ها انتخاب شود. در این پژوهش، برای تعیین پارامترهای هواشناسی و هیدرولوژیکی ایستگاه سینوپتیک اردبیل، از 25 مدل سری پنجم گزارش IPCC، استفاده شد. برای 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 شد. همچنین، برای ریزمقیاس‌نمایی خروجی مدل­‌های GCM، از شبکه عصبی مصنوعی استفاده شد. قبل از به‌کارگیری شبکه عصبی، برای رسیدن به یک شبکه ایده‌­آل و بهینه، مناسب­ترین پارامترهای ورودی به ‌شبکه از میان پارامترهای مدل­‌های GCM برتر منطقه، با استفاده از ضریب همبستگی خطی، تابع اطلاعات مشترک و درخت تصمیم M5، بررسی و انتخاب شدند.
 
نتایج و بحث
در این پژوهش، برای بررسی عدم قطعیت مدل‎‌های GCM، 25 مدل از سری پنجم IPCC، مورد بررسی قرار گرفتند. نتایج بیانگر آن بود که سه مدل MRI-CGCM3 ،CMCC-CMS و MPI-ESMMR، مناسب‌ترین ضرایب همبستگی را در ایستگاه سینوپتیک اردبیل ارائه می‌کنند. نتایج حاصل برای تعیین مناسب‌­ترین پارامترهای ورودی، به‌منظور ریزمقیاس‌نمایی با استفاده از سه روش ضریب همبستگی خطی، تابع اطلاعات مشترک و درخت تصمیم M5 نشان داد که الگوریتم درخت تصمیم، مناسب­‌ترین پارامترها را برای منطقه مورد نظر ارائه می‌کند. 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. به­‌طوری­که پارامترهای انتخاب شده مدل MRI-CGCM3، به‌عنوان ورودی شبکه عصبی در روش ریزمقیاس‌نمایی پاسخ‌­های بهتری را ارائه داده است. نتایج به‌دست آمده با استفاده از پارامترهای انتخاب شده مدل MRI-CGCM3 نشان داد که در پارامتر بارش، مقدار DC، RMSE و CC برای داده­‌های آزمون، به‌ترتیب 0.39، 0.40 و 0.63 به‌دست آمده و در پارامتر دما، مقدار DC، RMSE و CC برای داده­‌های آزمون مدل برتر، به‌­ترتیب 0.9، 0.03 و 0.95 بوده است.
 
نتیجه­‌گیری
عملکرد شبکه‌­های ریزمقیاس‌نمایی، به شرایط اقلیمی منطقه وابسته است. برتری یک مدل در یک پژوهش، نمی­‌تواند یک استدلال صحیح برای انتخاب آن مدل در تمامی مناطق باشد. بهتر است برای دست­یابی به یک مدل بهینه، از مدل­‌های متنوع گردش عمومی زمین در منطقه استفاده شود. انجام چنین پژوهش‌هایی، می‌­تواند پژوهشگران را برای بررسی پدیده‌های مختلف هیدرولوژیکی که ممکن است در آینده رخ دهد و عواقب جبران‌ناپذیری داشته باشد، کمک شایانی کند.

کلیدواژه‌ها

• تابع اطلاعات مشترک
• درخت تصمیم
• شبکه عصبی مصنوعی
• ضریب همبستگی خطی
• مدل‌های GCM

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 Msc in Civil Engineering, Water Resource Management and Engineering, Department of Civil Engineering, University of Mohaghegh Ardabili, Ardabil, Iran

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

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

چکیده [English]

Introduction
In recent years, factors such as the growth of industrial activities and environmental destruction have led to an increase in greenhouse gases, resulting in disruption of the climate balance known as climate change. The negative impact of this phenomenon on various systems, such as water resources, agriculture and industry, has raised concerns in human society. Consequently, addressing the issue of climate change regarding water resources has become one of the primary causes of concern today. Climate change and its effects pose significant challenges to water and energy resource management, necessitating thorough investigation and developing plans to mitigate its impact on water resources. This study aims to identify the region's most suitable climate change model and assess the effectiveness of artificial intelligence methods in studying the climate change phenomenon.
 
Materials and methods
One of the most reliable approaches for studying the parameters influencing hydrological phenomena under climate change is atmospheric general circulation models. To employ these models on a regional scale, downscaling operations are necessary. Given the large number of parameters derived from Earth's General Circulation Models (GCMs), selecting the most influential parameters is essential before proceeding with the exponential downscaling process. In this study, the meteorological and hydrological parameters of the Ardabil synoptic station were determined using 25 models from the fifth series of the IPCC report. The linear correlation coefficient between monthly precipitation and observed temperature with the output of GCM was used to identify the most appropriate model among the reviewed models. Artificial Neural Network (ANN) was also utilized to downscale the GCMs output. Before employing the neural network, the linear correlation coefficient, the standard information function, and the M5 decision tree were used to identify the most suitable input parameters from the parameters of the best GCMs in the region, to obtain an ideal and optimal network.
 
Results and discussion
This research investigated 25 models from the fifth series of the IPCC report to explore the uncertainty of GCMs. The results indicated that three models-MRI-CGCM3, CMCC-CMS, and MPI-ESMMR-demonstrated the most suitable correlation coefficients at the Ardabil synoptic station. The findings related to determining the most appropriate input parameters for exponential downscaling, using three methods: linear correlation coefficient, standard information function, and M5 decision tree, revealed that the decision tree algorithm provided the most suitable parameters. Moreover, the results obtained from the downscale analysis using the neural network with the variables selected by the decision tree method exhibited the excellent performance of this approach in selecting the effective input parameters of the neural network. Specifically, using the selected parameters of the MRI-CGCM3 model as input for the neural network as a downscaling method yielded better outcomes. The results obtained using the selected parameters of the MRI-CGCM3 model indicated that for the precipitation parameter, the values of the Determination Coefficient (DC), Root Mean Square Error (RMSE), and Correlation Coefficient (CC) for the test data were 0.39, 0.04, and 0.63, respectively. For 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.
 
Conclusion
The performance of exponential downscaling networks is determined by the climatic conditions of the region. The superiority of a particular model in one study cannot be regarded as a valid argument for selecting that model for all regions. It is advisable to utilize different models of the general earth circulation within the region to identify an optimal model. Conducting such studies can assist researchers in investigating various hydrological phenomena that may occur in the future, which may have irreparable consequences.

کلیدواژه‌ها [English]

• Artificial neural network
• Correlation coefficient
• Decision tree
• GCM models
• Mutual information