تاثیر پارامترهای ورودی ریزمقیاس‌نمایی با روش هوش مصنوعی در تخمین پارامترهای هیدرولوژیکی، مطالعه موردی: ایستگاه سینوپتیک اردبیل
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 نگرانی...
Saved in:
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
Soil Conservation and Watershed Management Research Institute (SCWMRI)
2023-09-01
|
| Series: | Muhandisī va mudirīyyat-i ābkhīz |
| Subjects: | |
| Online Access: | https://jwem.areeo.ac.ir/article_127437_579879667719b742f1d3f23e2d9a7480.pdf |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1832539834770522112 |
|---|---|
| author | نگار عین اله زاده اتابک فیضی فرناز دانشور وثوقی |
| author_facet | نگار عین اله زاده اتابک فیضی فرناز دانشور وثوقی |
| author_sort | نگار عین اله زاده |
| collection | DOAJ |
| description | 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. |
| format | Article |
| id | doaj-art-9a3609d411144274ad13d0a211a44320 |
| institution | Kabale University |
| issn | 2251-9300 2322-536X |
| language | fas |
| publishDate | 2023-09-01 |
| publisher | Soil Conservation and Watershed Management Research Institute (SCWMRI) |
| record_format | Article |
| series | Muhandisī va mudirīyyat-i ābkhīz |
| spelling | doaj-art-9a3609d411144274ad13d0a211a443202025-02-05T08:25:08ZfasSoil Conservation and Watershed Management Research Institute (SCWMRI)Muhandisī va mudirīyyat-i ābkhīz2251-93002322-536X2023-09-0115343845110.22092/ijwmse.2022.358022.1963127437تاثیر پارامترهای ورودی ریزمقیاس‌نمایی با روش هوش مصنوعی در تخمین پارامترهای هیدرولوژیکی، مطالعه موردی: ایستگاه سینوپتیک اردبیلنگار عین اله زاده0اتابک فیضی1فرناز دانشور وثوقی2کارشناسی ارشد مهندسی عمران، مهندسی و مدیریت منابع آب، دانشکده فنی مهندسی، دانشگاه محقق اردبیلی، اردبیل، ایراندانشیار، گروه مهندسی عمران، دانشکده فنی مهندسی، دانشگاه محقق اردبیلی، اردبیل، ایراناستادیار گروه مهندسی عمران، دانشگاه آزاد اسلامی، واحد اردبیل، اردبیل، ایرانمقدمه 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.https://jwem.areeo.ac.ir/article_127437_579879667719b742f1d3f23e2d9a7480.pdfتابع اطلاعات مشترکدرخت تصمیمشبکه عصبی مصنوعیضریب همبستگی خطیمدل‌های gcm |
| spellingShingle | نگار عین اله زاده اتابک فیضی فرناز دانشور وثوقی تاثیر پارامترهای ورودی ریزمقیاس‌نمایی با روش هوش مصنوعی در تخمین پارامترهای هیدرولوژیکی، مطالعه موردی: ایستگاه سینوپتیک اردبیل Muhandisī va mudirīyyat-i ābkhīz تابع اطلاعات مشترک درخت تصمیم شبکه عصبی مصنوعی ضریب همبستگی خطی مدل‌های gcm |
| title | تاثیر پارامترهای ورودی ریزمقیاس‌نمایی با روش هوش مصنوعی در تخمین پارامترهای هیدرولوژیکی، مطالعه موردی: ایستگاه سینوپتیک اردبیل |
| title_full | تاثیر پارامترهای ورودی ریزمقیاس‌نمایی با روش هوش مصنوعی در تخمین پارامترهای هیدرولوژیکی، مطالعه موردی: ایستگاه سینوپتیک اردبیل |
| title_fullStr | تاثیر پارامترهای ورودی ریزمقیاس‌نمایی با روش هوش مصنوعی در تخمین پارامترهای هیدرولوژیکی، مطالعه موردی: ایستگاه سینوپتیک اردبیل |
| title_full_unstemmed | تاثیر پارامترهای ورودی ریزمقیاس‌نمایی با روش هوش مصنوعی در تخمین پارامترهای هیدرولوژیکی، مطالعه موردی: ایستگاه سینوپتیک اردبیل |
| title_short | تاثیر پارامترهای ورودی ریزمقیاس‌نمایی با روش هوش مصنوعی در تخمین پارامترهای هیدرولوژیکی، مطالعه موردی: ایستگاه سینوپتیک اردبیل |
| title_sort | تاثیر پارامترهای ورودی ریزمقیاس‌نمایی با روش هوش مصنوعی در تخمین پارامترهای هیدرولوژیکی، مطالعه موردی ایستگاه سینوپتیک اردبیل |
| topic | تابع اطلاعات مشترک درخت تصمیم شبکه عصبی مصنوعی ضریب همبستگی خطی مدل‌های gcm |
| url | https://jwem.areeo.ac.ir/article_127437_579879667719b742f1d3f23e2d9a7480.pdf |
| work_keys_str_mv | AT ngạrʿynạlhzạdh tạtẖyrpạrạmtrhạywrwdyryzmqyạsnmạyybạrwsẖhwsẖmṣnwʿydrtkẖmynpạrạmtrhạyhydrwlwzẖyḵymṭạlʿhmwrdyạystgạhsynwptyḵạrdbyl AT ạtạbḵfyḍy tạtẖyrpạrạmtrhạywrwdyryzmqyạsnmạyybạrwsẖhwsẖmṣnwʿydrtkẖmynpạrạmtrhạyhydrwlwzẖyḵymṭạlʿhmwrdyạystgạhsynwptyḵạrdbyl AT frnạzdạnsẖwrwtẖwqy tạtẖyrpạrạmtrhạywrwdyryzmqyạsnmạyybạrwsẖhwsẖmṣnwʿydrtkẖmynpạrạmtrhạyhydrwlwzẖyḵymṭạlʿhmwrdyạystgạhsynwptyḵạrdbyl |