دوره 11، شماره 22 - ( پاییز و زمستان 1399 )
جلد 11 شماره 22 صفحات 30-20 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Aghajanzadeh Saraskanroud M, Behmanesh J, Rezaie H, Azad N. (2020). Prediction of Zarrinehrud River Run-Off in the Climate Change Condition using Artificial Neural Networks. J Watershed Manage Res. 11(22), 20-30. doi:10.52547/jwmr.11.22.20
URL: http://jwmr.sanru.ac.ir/article-1-990-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-990-fa.html
آقاجانزاده سراسکانرود مینا، بهمنش جواد، رضایی حسین، آزاد نسرین. پیش بینی میزان رواناب رودخانه زرینه رود در شرایط تغییر اقلیم با استفاده از شبکه های عصبی مصنوعی پژوهشنامه مديريت حوزه آبخيز 1399; 11 (22) :30-20 10.52547/jwmr.11.22.20
1- گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه
چکیده: (2692 مشاهده)
در پژوهش حاضر، تاثیر تغییر اقلیم بر تغییر رواناب سطحی زرینهرود واقع در دشت میاندوآب مورد بررسی قرار گرفت. در این راستا، سناریوهای A1B، A2 و B1 از طریق مدل ریزمقیاس نمایی LARS-WG و با به کاربردن مدل گردش عمومی جو HadCM3 و مدل شبکه عصبی مصنوعی در دو دوره زمانی مختلف (2065-2046، 2099-2080) مورد مطالعه قرار گرفتند. بدینمنظور بهترین ترکیب پارامترهای ورودی مدل شبکه عصبی مصنوعی MLP جهت برآورد رواناب از میان پارامترهای هواشناسی مختلف با تاخیر صفر و یک روز و پارامتر رواناب با تاخیر یک روز انتخاب گردید. سپس از داده های هواشناسی پیش بینی شده توسط مدل اقلیمی LARS-WG در سالهای آینده بهعنوان ورودی مدل شبکه عصبی منتخب استفاده شده و در ادامه رواناب پیش بینی گردید. نتایج ارزیابی دادههای مشاهداتی و شبیه سازی شده توسط مدل LARS-WG با استفاده از شاخص های آماری و خطاسنجی مختلف بیانگر این است که اختلاف معنی داری بین مقادیر شبیه سازی شده و مشاهداتی وجود ندارد. تحلیل عملکرد مدل شبکه عصبی مصنوعی نیز حاکی از دقت خوب و مناسب این مدل در شبیه سازی تغییرات رواناب در حوضه مورد بررسی است. نتایج نشان داد که متوسط رواناب سالانه در دوره 2065-2046 نسبت به دوره پایه در حدود 4/62 متر مکعب بر ثانیه افزایش و در دوره 2099-2080 نسبت به دوره پایه در حدود 14/7 مترمکعب بر ثانیه کاهش خواهد یافت.
فهرست منابع
1. Ababaei, B., T. Sohrabi, F. Mirzaei, V. Rezaverdinejad and B. Karimi. 2010. Climate change impact on wheat yield and analysis of the related risks: (Case study: Esfahan Ruddasht region). Water and Soil Science, 201(3): 135-150 (In Persian).
2. Allen, R.G., L.S. Pereira, D. Raes and M. Smith. 1998. Crop evapotranspiration- Guidelines for computing crop water requirements. FAO Irrigation and drainage paper 56, FAO, Rome, Italy, 333 pp.
3. Ansari, S., A.R. Massah Bavani and A. Roozbahani. 2016. Effects of climate change on groundwater recharge (Case study: Sefid Dasht plain). Journal of Water and Soil, 30(2): 416-431 (In Persian).
4. Baguis, P., E. Roulin, P. Willems and V. Ntegeka. 2010. Climate change scenarios for precipitation and potential evapotranspiration over central Belgium. Theoretical and Applied Climatology, 99(3-4): 273-286. [DOI:10.1007/s00704-009-0146-5]
5. Behmanesh, J., N. Azad Talatappeh, M. Montaseri, H. Rezayi and K. Khalili. 2015. Climate change impact on reference evapotranspiration, precipitation deficit and vapor pressure deficit in Urmia. Water and Soil Science, 25(2): 79-91 (In Persian).
6. Bozorg-Haddad, O., M. Zarezadeh-Mehrizi, M. Abdi-Dehkordi, H.A. Loáiciga and M.A. Mariño. 2016. A self-tuning ANN model for simulation and forecasting of surface flows. Water Resources Management, 30(9): 2907-2929. [DOI:10.1007/s11269-016-1301-2]
7. Delavar, M., O. Babaee and E. Fattahi. 2014. Investigating the effects of climate change on the fluctuation of Urmia Lake level. Journal of Climate Research, 1393(19): 53-65 (In Persian).
8. Ghafari, G.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).
9. Gohari, A., S. Eslamian, J. Abedi-Koupai, A. Massah Bavani, D. Wang and K. Madani. 2013. Climate change impacts on crop production in Iran's Zayandeh-Rud River Basin. Science of the Total Environment, 442: 405-419. [DOI:10.1016/j.scitotenv.2012.10.029]
10. Goodarzi, M., B. Salahei and A. Hosseini. 2015. Investigating the effect of climate change on surface runoff variations. Eco Hydrology, 2(2): 175-189 (In Persian).
11. Gordon, C., C. Cooper, C.A. Seinor, H. Banks, J.M. Gregory, T.G. Johns, J.F.B. Mitchell and R.A. Wood. 2000. The simulation of SST, Seas ice extents and ocean heat transports in a version of the Hadley Center coupled model without flux adjustment. Climate Dynamics, 16: 147-168. [DOI:10.1007/s003820050010]
12. Haghizadeh, A., M. Muhammadlou and F. Nouri. 2015. Simulation of rainfall-runoff process using artificial neural network and adaptive neural fuzzy system and multivariate regression (Case study: Khorramabad basin). Eco Hydrology, 2(2): 233-243 (In Persian).
13. Hargreaves, G.H. and Z.A. Samani. 1985. Reference crop evapotranspiration from temperature. Applied Engineering Agriculture, 1(2): 96-99. [DOI:10.13031/2013.26773]
14. Harmsen, E.W., N.L. Miller, N.J. Schlegel and J.E. Gonzalez. 2009. Seasonal climate change impacts on evapotranspiration, precipitation deficit and crop yield in Puerto Rico. Agricultural Water Management, 96(7): 1085-1095. [DOI:10.1016/j.agwat.2009.02.006]
15. Hosseini, S.H., M.A. Ghorbani and A. 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).
16. Islam, A., L.R. Ahuja, L.A. Garcia, L. Ma, A.S. Saseendran and T.J. Trout. 2012. Modeling the impacts of climate change on irrigated corn production in the Central Great Plains. Agricultural Water Management, 110: 94-108. [DOI:10.1016/j.agwat.2012.04.004]
17. Khalili, K. and M. Nazeri Tahrudi. 2014. Modeling of annual water level changes of Urmia Lake with linear time series models. Water Management in Arid Lands, 1(1): 27-36 (In Persian).
18. Masood, M. and K. Takeuchi. 2016. Climate change impacts and its implications on future water resource management in the Meghna Basin. Futures, 78: 1-8. [DOI:10.1016/j.futures.2016.03.001]
19. Massah Bavani, A. and S. Morid. 2015. The effect of climate change on the flow of Zayandehrud River in Isfahan. Journal of Water and Soil Science, 9(4): 17-28 (In Persian).
20. Mozaffari, A., Sh. Shafiee and Z. Taghizadeh. 2015. Evaluation of drought conditions in Sistan and Balouchestan (1391-1491) using downscaling the data of general atmospheric circulation model. Scientific Research Quarterly of Geographical Data, 24(93): 101-114 (In Persian).
21. Muttiah, R.S. and R.A. Wurbs. 2002. Modeling the impacts of climate change on water supply reliabilities. Water International, 27(3): 407-419. [DOI:10.1080/02508060208687020]
22. Nazeri Tahrudi, M., K. Khalili and J. Behmanesh. 2015. Evaluation of common statistical distribution functions and the calculation methods of their parameters for estimating the probability of hydrological drought events (Case study: West of Lake Urmia rasin rivers). Journal of Water and Soil Science, 25(3): 155-168 (In Persian).
23. Semenov, M.A. and E.M. Barrow. 1997. Use of a stochastic weather generator in the development of climate change scenarios. Climate Change, 35(4): 397-414. [DOI:10.1023/A:1005342632279]
24. Solaimani, K. 2009. Rainfall-runoff prediction based on artificial neural network (a case study: Jarahi Watershed). American-Eurasian Journal of Agricultural and Environmental Sciences, 5(6): 856-865.
25. Steele-Dunne, S., P. Lynch, R. McGrath, T. Semmler, S. Wang, J. Hanafin and P. Nolan. 2008. The impacts of climate change on hydrology in Ireland. Journal of hydrology, 356(1-2): 28-45. [DOI:10.1016/j.jhydrol.2008.03.025]
26. Sundara Kumar, P., T.V. Praveen and M. Anjanaya Prasad. 2016. Artificial neural network model for rainfall- runoff -A case study. International Journal of Hybrid Information Technology, 9(3): 263-272. [DOI:10.14257/ijhit.2016.9.3.24]
27. Tai Semiromi, S., H.R. Moradi and M. Khodaghli. 2014. Investigation of changes in Neishabour river flow under different climate change scenarios. Human and Environment quarterly, 12(2): 1-19 (In Persian).
28. Yimer, G., A. Jonoski and A. Vav Griensven. 2009. Hydrological response of a catchment to climate change in the upper Beles river basin, upper Blue Nile, Ethiopia. Nile Basin Water Engineering Scientific Magazine, 2: 49-59.
29. Zahabiyoun, B., M. Goodarzi and A. Massah Bavani. 2010. Application of SWAT model in basin runoff estimation in future periods affected by climate change. Journal of Climate Research, 1(3-4): 45-60 (In Persian).
30. Zhu, Y., Z. Lin, J. Wang, Y. Zhao and F. He. 2016. Impacts of climate changes on water resources in Yellow River Basin, China. Procedia Engineering, 154: 687-695. [DOI:10.1016/j.proeng.2016.07.570]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
