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:   (664 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]   (200 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: ۱۳۹۶/۱۱/۹ | پذیرش: ۱۳۹۶/۱۱/۹ | انتشار: ۱۳۹۶/۱۱/۹

فهرست منابع
1. 1. Ahmadi, F., Y. Dinpazhouh, A. Fakherifard, K. Khalili and C. Darbandi. 2015. Comparsion of nonlinear time series models and genetic programming in daily river flow forecasting (Case study: Barandoezchay river in Orumieh). Journal of Soil and Water Conservation, 22 (1): 151-169 (In Persian).
2. Camici, S., L. Brocca, F. Melone and T. Moramarco. 2014. Impact of climate change on flood frequency using different climate models and downscaling approaches. Journal of Hydrologic Engineering, ASCE, 19 (8): 1-15. [DOI:10.1061/(ASCE)HE.1943-5584.0000959]
3. Dayhoff, J.E. 1990. Neural network principles. Prentice-Hall International, U.S.A, 197 pp.
4. Fiseha, B.M., A.M. Melesse, E. Romano, E. Volpi and A. Fiori. 2012. Statistical downscaling of precipitation and temperature for the Upper Tiber Basin in Central Italy. International Journal of Water Sciences, 1 (3): 1-10.
5. Ghafari, Gh.A. and M. Vafakhah. 2013. Simulation of rainfall-runoff process using artificial neural network and adaptive neuro-fuzzy interface system(case study: Hajighoshan watershed). Journal of Watershed Management Research, 4 (8): 120-136 (In Persian).
6. Hagh Talab, N., M. Goudarzi, M. Habibi Nokhandan, A.R. Yavari and H.R. Jafari. 2013. Climate modeling of Tehran and Mazandaran provinces using climate model LARS-WG and to compare changes in northern and southern fronts of Central Alborz. Environmental Sciences, 1(15): 1-13 (In Persian).
7. Hasanpour Kashani, M., M.A. Ghorbani, Y. Dinpazhouh and S. Shahmorad. 2015. Rainfall-Runoff simulation in the Navrood river basin using truncated volterra model and artificial neural networks. Journal of Watershed Management Research, 6 (12): 1-10 (In Persian).
8. Hejarizadeh, Z., S.M. Hoseyni and A.R. Karbalaee Doree. 2015. Simulation of climate variables in Semnan province by scenarios from general circulation models (HadCM3). Journal of Geography of Environmental Hazards, 4 (15): 1-24 (In Persian).
9. Hosseini, S.H., M.A. Ghorbani and A.R. Massah Bavani. 2015. Raifall-Runoff modelling under the climate change condition in order to project future streamflows of Sufichay Watershed. Journal of Watershed Management Research, 6 (11): 1-14 (In Persian).
10. Huang, S., F. Hattermann, V. Krysanova and A. Bronstert. 2013. Projections of climate change impacts on river flood conditions in Germany by combining three different RCMs with a regional eco- hydrological model. Climate Change, 116 (3-4): 631-663. [DOI:10.1007/s10584-012-0586-2]
11. Jahangeer, A.R., M. Raeini – Sarjaz and M.Z. Ahmad. 2009. Comparison of artificial neural networks (ANN) simulation of rainfall-runoff process with HEC-HMS model in Kardeh watershed. Journal of Soil and Water (Agricultural Science and Technology), 22 (2): 72-84 (In Persian).
12. Karamooz, M. and Sh. Araghinezhad. 2005. Advanced hydrology. Amirkabir University Press, Tehran, 464 pp (In Persian).
13. Khazaee, M. and M.R. Mirzaee. 2013. Compare performance of monthly discharge prediction Using artificial neural network and time series methods. Soil Conservation and Watershed Management Research Institute, 5 (2): 74-84 (In Persian).
14. Liu, L., Z. Liu, X. Ren, T. Fischer and Y. Xu. 2011. Hydrological impacts of climate change in the Yellow River Basin for the 21 st century using hydrological model and statistical downscaling model. Quaternry International, 244 (2): 211-220. [DOI:10.1016/j.quaint.2010.12.001]
15. Nazari, M., H. Ghasemieh, S.J. Sadatinejad and A. Vali. 2015. An investigation of artificial neural network performance in modeling rainfall-runoff and its comparison with multivariate regression method: a case study of Babolroud river. International Bulletin of Water Resources & Development, 3 (3): 119-133 (In Persian).
16. Omidvar, K. and M. Azhdarpoor. 2013. Comparision artificial neural network and model HEC-HMS in the estimation of rainfall – runoff in the Basin of Heart grand river. Journal of Geographical Research, 27 (4): 139-160 (In Persian).
17. Rasco, P., L. Szeidl and M.A. Semenov. 1991. A serial approach to local stochastic models. Journal of Ecological Modeling, 57: 27-41. [DOI:10.1016/0304-3800(91)90053-4]
18. Razzaghian, H., K. Shahedi and M. Habibnejad-roshan. 2016. Evaluation of the climate change effect on Babol-rood watershed runoff using IHACRES model. Journal of Irrigation & Water Engineering, 7 (26): 159-172 (In Persian).
19. Sanikhani, H., M.R. Gohardoust and M. Sadeghi. 2016. Assessment of climate change effect on the runoff in Gharechay watershed in Markazi province. Journal of Watershed Management Research, 7 (13): 12-22 (In Persian).
20. Sazabshargh Consulting Engineers. 2010. Updating the atlas of water resources (Mazandaran and Gwilan east rivers basin), 1: 262 pp (In Persian).
21. Semenov, M.A. and E.M. Barrow. 2002. LARS-WG: A stochastic weather generator for use in climate impact studies. User Manual, 27 pp.
22. Sheidaeian, M. 2013. Assessment of climate change effect on the rice net irrigation requirement (Case Study: Tajan Plain). Master Thesis of Irrigation and Drainage Engineering, Sari Agricultural Science and Natural Resources University, Sari, Iran, 226 pp (In Persian).
23. Zahmatkesh, Z., M. Karamouz, E. Goharian and S. Burian. 2015. Analysis of the effects of climate change on urban storm water runoff using statistically downscaled precipitation data and a change factor approach. Journal of Hydrologic Engineering, ASCE, 20 (7): 1-11. [DOI:10.1061/(ASCE)HE.1943-5584.0001064]

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