دوره 9، شماره 18 - ( پاییز و زمستان 1397 )                   جلد 9 شماره 18 صفحات 80-90 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Omidvar E, Rezaei M, Pirnia A. Performance Evaluation of Artificial Neural Network Models for Downscaling and Predicting of Climate Variables . jwmr. 2019; 9 (18) :80-90
URL: http://jwmr.sanru.ac.ir/article-1-811-fa.html
امیدوار ابراهیم، رضایی مریم، پیرنیا عبدالله. ارزیابی کارایی مدل شبکه عصبی مصنوعی برای ریزمقیاس نمایی و پیش‌بینی بلندمدت متغیرهای اقلیمی . پ‍‍ژوهشنامه مديريت حوزه آبخيز. 1397; 9 (18) :80-90

URL: http://jwmr.sanru.ac.ir/article-1-811-fa.html


دانشکده منابع طبیعی و علوم زمین، دانشگاه کاشان
چکیده:   (449 مشاهده)

مدل‌های گردش عمومی به ­عنوان منبع اصلی شبیه‌سازی اقلیم، دارای شبکه محاسباتی با ابعاد بزرگ بوده و قادر به ارائه اطلاعات قابل اعتماد برای مدل‌سازی هیدرولوژیکی نمی‌باشند. برای پرداختن و رفع چنین محدودیت‌هایی از روش ریز‌مقیاس نمایی استفاده می ­شود. در پژوهش حاضر، شبیه‌سازی اثر تغییر اقلیم بر رفتار بارش و دمای ایستگاه سینوپتیک سیرجان در استان کرمان، مورد ارزیابی قرار گرفت. در ابتدا عملکرد مدل شبکه عصبی مصنوعی به‌منظور ریزمقیاس­نمایی متغیرهای اقلیمی پیش­ بینی ­شده توسط مدل گردش عمومی CanESM2 مورد آزمون قرار گرفت. در ادامه با استفاده از مناسب ­ترین مدل­ ها مقادیر دما و بارندگی متوسط ماهانه برای دوره ­های آتی تحت سناریوی RCP 4.5 پیش­ بینی و بررسی گردیدند. نتایج نشان داد که برای متغیر دما ساختار مدل شبکه عصبی با تعداد 2 لایه پنهان، 8 نرون، تابع محرک تانژانت و لوگ­سیگموئید و همچنین الگوریتم آموزش لونبرگ-مارکوات دارای بیشترین کارایی و مقادیر RMSE، NS و R2 به ترتیب برابر با 387/0، 973/0 و 917/0 بوده است. همچنین برای متغیر بارش نیز ساختاری با تعداد 2 لایه، 8 نرون، تابع محرک تانژانت و لوگ سیگموئید و الگوریتم آموزشی لونبرگ-مارکوات عملکرد مناسب­ تری داشت و مقادیر RMSE، NS و R2 به ترتیب برابر با 867/2، 849/0 و 924/0 می­ باشند. سایر نتایج نشان داد که تا سال 2099، میانگین دما در سناریوی RCP 4.5، 3 درجه ‌سانتی‌گراد افزایش خواهد یافت و بیشترین افزایش مربوط به ماه اگوست به مقدار 9/4 و کمترین افزایش مربوط به ماه آوریل به مقدار 8/1 می‌باشد. نتایج، همچنین افزایش قابل توجه در میزان بارش ژوئیه تا نوامبر و کاهش بارش در ماه­ های مارس و می را نشان داد. با این وجود در مقیاس سالانه، تغییری در میزان بارندگی رخ نخواهد داد.
 

متن کامل [PDF 907 kb]   (208 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: هواشناسی
دریافت: ۱۳۹۶/۳/۱۷ | ویرایش نهایی: ۱۳۹۷/۱۰/۳۰ | پذیرش: ۱۳۹۷/۳/۲۱ | انتشار: ۱۳۹۷/۱۱/۱

فهرست منابع
1. 1. Arora, V.K., J.F. Scinocca, G.J. Boer, J.R. Christian, K.L. Denman and G.M. Flato. 2011. Carbon emission limits required to satisfy future representative concentration pathways of greenhouse gases. Geophysical Research Letters, 38(5): 1-6. [DOI:10.1029/2010GL046270]
2. Banihabib, M.E., K. Hasani and A.R. Massah Bavani. 2016. Assessment of Climate Change Effects on Shahcheraghi Reservoir Inflow. Journal of water and soil, 30(1): 1-14.
3. Campozano, L., D. Tenelanda, E. Sanchez, E. Samaniego and J. Feyen. 2016. Comparison of Statistical Downscaling Methods for Monthly Total Precipitation: Case Study for the Paute River Basin in Southern Ecuador. Advances in Meteorology, 13 pp. [DOI:10.1155/2016/6526341]
4. Chun, K.P., H.S. Wheater, A. Nazemi and M.N. Khaliq. 2013. Precipitation downscaling in Canadian Prairie Provinces using the LARS-WG and GLM approaches. Canadian Water Resources Journal, 38(4): 311-332. [DOI:10.1080/07011784.2013.830368]
5. Da Silva, I.N., D.H. Spatti, R.A. Flauzino, L. Liboni and S.F. Reis Alves. 2017. Artificial Neural Networks A Practical Course. Springer International Publishing Switzerland, 309pp. [DOI:10.1007/978-3-319-43162-8]
6. De Beule, M., E. Maes, O. De Winter, W. Vanlaere and R. Van Impe. 2007. Artificial neural networks and risk stratification: A promising combination. Mathematical and Computer Modelling, 46: 88-94. [DOI:10.1016/j.mcm.2006.12.024]
7. Falahghalohri, GH. and F. Shakeri. 2016. The application of Artificial Neural Networks in the rainfall prediction. Iranian Journal of Watershed Management Science and Engineering, 9(31): 98-110.
8. Jalali, M., A. Pirnia, K. Solaimani and M. Habibnejad Roushan. 2015. Investigation of Artificial Neural Network in prediction of Stream Flow (Case study: Ghareh Aghaj, Fars province). Journal of Engineering Biaban Ecosystem, 4(6): 15-26.
9. Kan, G.C.H., Q. Li. Yao. Z. Li., Z. Yu, Z. Liu, L. Ding, X. He. and K. Liang. 2015. Improving event-based rainfall-runoff simulation using an ensemble artificial neural network based hybrid data-driven model. Stochastic Environmental Research and Risk Assessment, 29(5): 1345-1370. [DOI:10.1007/s00477-015-1040-6]
10. Kermani, B.G., S.S. Schiffman and H. Troy Nagle. 2005. Performance of the Levenberg-Marquardt neural network training method in electronic nose applications. Sensors and Actuators, 110: 13-22. [DOI:10.1016/j.snb.2005.01.008]
11. Khamchin Moghaddam, F. and H. Rezaee Pajand. 2009. Criticising de martonne regionalization method according to linear moments for maximum daily precipitation in Iran. Journal of Technical Engineering, 2(2): 93-103.
12. Kumar Mann, A., D.A. Jayadevi and A. Pappachen James. 2016. A Survey of Memristive Threshold Logic Circuits. Ieee Transactions On Neural Networks And Learning Systems, 13 pp.
13. Ling, H., H. Xu and J. Fu. 2014. Changes in intra-annual runoff and its response to climate change and human activities in the headstream areas of the Tarim River Basin; China. Quatern. Int. 336: 158-170. [DOI:10.1016/j.quaint.2013.08.003]
14. Mahdi zadeh, S., M. Meftah halghi, S. Seyyed Ghasemi and A. Mosaedi. 2011. Study of precipitation variation due to climate change (Case study: Golestan dam basin). Journal of water and soil conservation, 18(3): 117-132.
15. Maier, H.R. and G.C. Dandy. 2000. Neural networks for the prediction and forecasting of water resources variables: a review of modeling issues and application. Environmental Modeling and Software, 15: 101-124. [DOI:10.1016/S1364-8152(99)00007-9]
16. Meehl, G., C. Covey, T. Delworth, M. Latif, B. McAvaney, J. Mitchell, R. Stouffer and K. Taylor. 2007. The WCRP CMIP3 Multi-Model Dataset: a New Era in Climate Change Research. Bulletin of the American Meteorological Society, 88: 1383-1394. [DOI:10.1175/BAMS-88-9-1383]
17. Meena, P.K., D. Khare and M.K. Nema. 2016. Constructing the downscale precipitation using ANN model over the Kshipra river basin, Madhya Pradesh. Journal of Agrometeorology, 18(1): 113-119.
18. Muhire, I. and F. Ahmed. 2016. Spatiotemporal trends in mean temperatures and aridity index over Rwanda. Theoretical and Applied Climatology, 123(1-2): 399-414 [DOI:10.1007/s00704-014-1353-2]
19. Nastos, P.T., A.G. Paliatsos, K.V. Koukouletsos, I.K. Larissi and K.P. Moustris. 2014. Artificial neural networks modeling for forecasting the maximum daily total precipitation at Athens, Greece. Atmospheric Research, 144: 141-150. [DOI:10.1016/j.atmosres.2013.11.013]
20. Nazari Sharbian, M., M. Taherioun and A. Ahmadi. 2016. Prediction of climate change effects on notrient of watershed (Case study: Mahabad dam basin). The ninth conference of civil engineering, 10 and 11 May 2016, Ferdouwsi Mashad university.
21. Pirnia, A., K. Solaimani, M. Habibnejad Roshan and A. Besalatpour. 2017. Investigation of land use and climate change impacts on green and blue water resources in the Haraz River Basin of northern Iran, PhD thesis, Agriculture Sciences and Natural Resources of Sari.
22. Plattner, G.K. and T.F. Stocker. 2010. From AR4 to AR5: New Scenarios in the IPCC Process. Workshop Report, 2010.
23. Poitras, V., L. Sushama, F. Seglenieks, M.N. Khaliq and E. Soulis. 2011. Projected Changes to Streamflow Characteristics over Western Canada as Simulated by the Canadian RCM. Journal of Hydrometeorology, 12(6): 1395-1413. [DOI:10.1175/JHM-D-10-05002.1]
24. Santos, T.S., J.R. Chicholikar and L.S. Rathore. 2013. Artificial neural networks and multiple linear regression model using principal components to estimate rainfall over South America, Current science, pp: 2083-2094.
25. Sattari, M.T. and F. Nahrain. 2014. Monthly rainfall prediction using Artificial Neural Networks and M5 model tree (Case study: Stations of Ahar and Jolfa). Irrigation & Water Engineering, 4(14): 83-98.
26. Vu, M.T., T.H. Aribarg, S. Supratid and S. Raghavan. 2015. Statistical downscaling rainfall using artificial neural network: significantly wetter Bangkok. Theor Appl Climatol, pp: 1-15.
27. Wang, H., L. Chen and X. Yu. 2015. Distinguishing human and climate influences on stream flow changes in Luan River basin in China; Catena, 136: 182-188. [DOI:10.1016/j.catena.2015.02.013]
28. Yesilkanat, C.M., Y. Kobya. H. Tas¸kın and U. Çevik. 2017. Spatial interpolation and radiological mapping of ambient gamma dose rate by using artificial neural networks and fuzzy logic methods. Journal of Environmental Radioactivity, (175-176): 78-93. [DOI:10.1016/j.jenvrad.2017.04.015]
29. Zhang, D., X.B. Liu, Q. Zhang, K. Liang and C. Liu. 2016. Investigation of factors affecting intra-annual variability of evapotranspiration and stream flow under different climate conditions; Journal of Hydrology, 543: 759-769. [DOI:10.1016/j.jhydrol.2016.10.047]
30. Zhang, Y., Q. You, C. Chen and J. Ge. 2016. Impacts of climate change on stream flows under RCP scenarios: A case study in Xin River Basin, China. Atmospheric Research, 178: 521-534. [DOI:10.1016/j.atmosres.2016.04.018]
31. Zoqi, M.J. and M. Saeeidi. 2010. Modeling Leachate Generation Using Artificial Neural Networks. Journal of water and waste water, 22(1): 76-84.

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به (پژوهشنامه مدیریت حوزه آبخیز (علمی-پژوهشی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2019 All Rights Reserved | Journal of Watershed Management Research

Designed & Developed by : Yektaweb