دوره 8، شماره 16 - ( پاییز و زمستان 1396 )                   جلد 8 شماره 16 صفحات 53-64 | برگشت به فهرست نسخه ها

XML English Abstract Print


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

Investigation the Ability of Artificial Neural Network in Simulation of Rainfall-Runoff Process under the Climate Change Conditions (Case Study: Pashakola Babol Dam Basin). jwmr. 2018; 8 (16) :53-64
URL: http://jwmr.sanru.ac.ir/article-1-903-fa.html
خادمی معصومه، فضل‌ اولی رامین، عمادی علیرضا. بررسی توانمندی مدل شبکه عصبی مصنوعی در شبیه‌سازی فرآیند بارش-رواناب در شرایط تغییر اقلیم (مطالعه موردی: حوزه سد پاشاکلا بابل) . پ‍‍ژوهشنامه مديريت حوزه آبخيز. 1396; 8 (16) :53-64

URL: http://jwmr.sanru.ac.ir/article-1-903-fa.html


چکیده:   (609 مشاهده)
پیش‏بینی جریان رودخانه‏ها نقش بسزایی در برنامه‏ریزی، مدیریت و بهره‏برداری از منابع آب دارد. برای دستیابی به این هدف و با توجه به پدیده‏ی گرمایش جهانی، لازم است سری زمانی بارش و رواناب روزانه برای دوره‏های آتی شبیه‏سازی شود. لذا ضروریست آشکارسازی رخداد تغییر اقلیم و تأثیر آن بر بارش و رواناب در سطح حوزه مورد بررسی قرار گیرد. در گام اول این پژوهش، با استفاده از آزمون آماری روند من-کندال، رخداد تغییر اقلیم در حوزه پاشاکلا بابل در استان مازندران به اثبات رسید. نتایج بررسی 36 سال آمار متوسط دمای روزانه، نشان‏دهنده روند افزایشی متوسط دما در سطح حوزه می‏باشد. در گام دوم، از مدل لارس تحت مدل گردش عمومی جو HadCM3 و سناریوی A2، برای تولید سری زمانی بارش روزانه در دوره آتی استفاده شد. به‏این منظور داده‏های بارش، دمای کمینه، دمای بیشینه و ساعات آفتابی برای دوره پایه 12 ساله (2015-2004) وارد مدل شده و سری زمانی بارش روزانه در سطح حوزه برای دوره آتی 10 ساله (2025-2016) پیش‏بینی شد. در گام سوم، از مدل شبکه عصبی مصنوعی، برای شبیه‏سازی فرآیند بارش-رواناب در شرایط تغییر اقلیم و تولید سری زمانی رواناب روزانه در دوره آتی استفاده شد. در نهایت، به‏منظور بالا بردن قابلیت مدل شبکه عصبی مصنوعی در پیش‏بینی رواناب روزانه، علاوه بر داده‏های بارش روزانه پیش‏بینی شده، داده‏های بارش و رواناب یک روز قبل نیز به عنوان عوامل مؤثر در رواناب روز جاری وارد مدل شده و با استفاده از نرون‏های بارش و رواناب ضریب همبستگی برابر با 8/0 به‏دست آمد. این ضریب همبستگی در سطح 1 درصد معنی‏دار بوده و نشان‏دهنده قابلیت مدل در شبیه‏سازی فرآیند بارش-رواناب می‏باشد.
متن کامل [PDF 948 kb]   (184 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: ۱۳۹۶/۱۱/۹ | پذیرش: ۱۳۹۶/۱۱/۹ | انتشار: ۱۳۹۶/۱۱/۹

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

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

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2018 All Rights Reserved | Journal of Watershed Management Research

Designed & Developed by : Yektaweb