fa پیش بینی میزان رواناب رودخانه زرینه رود در شرایط تغییر اقلیم با استفاده از شبکه های عصبی مصنوعی هيدرولوژی هيدرولوژی پژوهشي Research <div style="text-align: justify;"><span style="font-size:11px;"><strong>در پژوهش حاضر، تاثیر تغییر اقلیم بر تغییر رواناب سطحی زرینه</strong><strong><span dir="LTR">&shy;</span></strong><strong>رود واقع در دشت میاندوآب مورد بررسی قرار گرفت.</strong><strong> در این راستا، سناریوهای </strong><strong><span dir="LTR">A1B</span></strong><strong>، </strong><strong><span dir="LTR">A2</span></strong><strong> و </strong><strong><span dir="LTR">B1</span></strong> <strong>از طریق مدل ریزمقیاس&shy; نمایی </strong><strong><span dir="LTR">LARS-WG</span></strong><strong> و</strong><strong> با به&shy; کاربردن مدل گردش عمومی جو </strong><strong><span dir="LTR">HadCM3</span></strong> <strong>و مدل شبکه عصبی مصنوعی در دو دوره زمانی مختلف (2065-2046، 2099-2080) مورد مطالعه قرار گرفتند. بدین&shy;منظور بهترین ترکیب پارامترهای ورودی مدل شبکه عصبی مصنوعی </strong><strong><span dir="LTR">MLP</span></strong><strong> 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 &shy;های هواشناسی پیش &shy;بینی &shy;شده توسط مدل اقلیمی </strong><strong><span dir="LTR">LARS-WG</span></strong><strong> در سال&shy;های آینده به&shy;عنوان ورودی مدل شبکه عصبی منتخب استفاده شده و</strong><strong> در ادامه </strong><strong>رواناب پیش&shy; بینی گردید. نتایج ارزیابی داده&shy;های مشاهداتی و شبیه &shy;سازی &shy;شده توسط مدل </strong><strong><span dir="LTR">&nbsp;LARS-WG</span></strong> <strong>با استفاده از شاخص&shy; های آماری و خطاسنجی مختلف بیانگر این است که اختلاف معنی&shy; داری بین مقادیر شبیه &shy;سازی شده و مشاهداتی وجود ندارد. تحلیل عملکرد مدل شبکه عصبی مصنوعی نیز حاکی از دقت خوب و مناسب این مدل در شبیه &shy;سازی تغییرات رواناب در حوضه مورد بررسی است. نتایج نشان داد که متوسط رواناب سالانه در دوره </strong><strong>2065-2046</strong> <strong>نسبت به دوره پایه در حدود 4/62 متر مکعب بر ثانیه افزایش</strong><strong> و در دوره 2099-2080 </strong><strong>نسبت به دوره پایه در حدود 14/7 مترمکعب بر ثانیه کاهش خواهد یافت.</strong></span></div> &nbsp;<strong><span dir="LTR"><span style="font-size:11.0pt;"></span></span></strong> <div style="text-align: justify;">&nbsp;&nbsp; In the present research, the climate change effect on variation of surface runoff of Zarrinehrud located in the Miandoab plain was investigated. In this direction, the scenarios including A1B, A2 and B1 via LARS-WG downscaling model and with applying the HadCM3 general circulation model and artificial neural network model in two different periods (2046-2065, 2080 -2099) were studied. For this purpose, the best combination of input parameters of the MLP artificial neural network model was selected to estimate the runoff among various meteorological parameters with time delay of zero and one day and runoff parameter with one-day delay. Then, the meteorological data predicted by the LARS-WG in the future were used as inputs for the selected neural network model and consequently the runoff was predicted. The comparison of results between observed and simulated data by LARS-WG model using different statistical and error measurement indices indicates that there is no significant difference between simulated and observed values. Performance analysis of the artificial neural network model indicates that the mentioned model has good and suitable accuracy to simulate the runoff variations in the studied area. The results showed that the average annual runoff in the period of 2046-2065 will increase about 4.62 CMS than base period and it will decrease about 14.7 CMS during the period 2080-2099 compared to the base period.</div> &nbsp; تغییر اقلیم, رواناب سطحی, شبکه عصبی مصنوعی, مدل ریزمقیاس نمایی, مدل گردش عمومی Artificial Neural Network, Climate Change, HadCM3, LARS-WG, Surface Runoff 20 30 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-522-2&slc_lang=fa&sid=1 Mina Aghajanzadeh Saraskanroud مینا آقاجانزاده سراسکانرود mina.aghajanzadeh@gmail.com 100319475328460010096 100319475328460010096 No Urmia university گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه Javad Behmanesh جواد بهمنش j.behmanesh@urmia.ac.ir 100319475328460010097 100319475328460010097 Yes Urmia university گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه Hossein Rezaie حسین رضایی h.rezaie@urmia.ac.ir 100319475328460010098 100319475328460010098 No Urmia university گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه Nasrin Azad نسرین آزاد n.azad86@yahoo.com 100319475328460010099 100319475328460010099 No Urmia university گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه