عملکرد مدل‌های AR4 در شبیه‌سازی پارامترهای اقلیمی دما و بارش با شبکۀ عصبی مصنوعی (مطالعۀ موردی: حوضۀ آبخیز قره‌سو)

نوع مقاله : پژوهشی

نویسندگان

1 دانشجوی دکتری سنجش از دور و سیستم اطلاعات جغرافیایی، گروه سنجش از دور، دانشکدۀ برنامه‌ریزی و علوم محیطی، دانشگاه تبریز

2 استاد ژئومورفولوژی گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکدۀ برنامه‌ریزی و علوم محیطی، دانشگاه تبریز

چکیده

افزایش غلظت گازهای گلخانه‏ای در جو با توجه به فعالیت‏های انسانی مانند تغییرات کاربری و استفاده از سوخت‏های فسیلی به گرم شدن کرۀ زمین و عدم تعادل انرژی جهانی منجر شده است. این افزایش در گازهای گلخانه‏ای موجب بروز پدیده‏ای به نام تغییر اقلیم شده است. در این تحقیق عملکرد 4 مدل GCM به نام‏های HADCM3، CGCM3T63، 5.CSIROMK3،NCARCCSM3 (از مجموعه مدل‏های AR4) تحت سناریوی A2 در شبیه‏سازی پارامترهای اقلیمی دمای میانگین و بارش حوضۀ قره‏سو با استفاده از شبکۀ عصبی مصنوعی (ANN) مورد ارزیابی قرار گرفتند. برای آموزش شبکۀ عصبی مصنوعی از مدل پرسپترون forward استفاده شد. مطابق با ارزیابی عملکرد مدل‏ها با استفاده از ضرایب حداکثر خطای مطلق، میانگین قدر مطلق خطا، جذر میانگین مربعات و ضریب تبیین، در بین مجموعه مدل AR4، به‏ طور میانگین مدل NCARCCSM3 بهترین عملکرد را در شبیه‏سازی پارامترهای اقلیمی دمای حوضۀ قره‏سو دارد. این مدل همراه با CGCM3T63 کمترین اختلاف را با پارامتر اقلیمی دمای مشاهداتی دارند، در حالی ‏که مدل CGCM3T63 کمترین اختلاف را با پارامتر اقلیمی بارش مشاهداتی دارند. همچنین نتایج نشان داد مدل‌های CSIROMK3.5 و NCARCCSM3 بیشترین اختلاف را به‌ترتیب با پارامترهای اقلیمی دما و یارش مشاهداتی دارند. طبق نتایج شبکۀ عصبی ضریب تبیین برای دو پارامتر اقلیمی دما و بارش به ‏طور میانگین به‌ترتیب 97//0 و 73/0 برای کل حوضه به دست آمد که نشان‏دهندۀ دقت شبکۀ عصبی در شبیه‏سازی این پارامتر دارد.

کلیدواژه‌ها

موضوعات


[1].Huang J, Zhang J, Zhang Z, Xu C,Wang B, Yao J. Estimation of future precipitation change in the Yangtze River basin by using statistical downscaling method. Stoch Env Res Risk.2016;25(6):781–792.
[2].Shahkarami N, Masah bovani S, Morid S, And Golmokhtari, h. Uncertainty analysis models coupled atmosphere-ocean general -Grdsh -Atmsfr on temperature and precipitation scenarios of climate change on river basins, the technical workshop on climate change impacts on water resources management. Iranian National Committee on Irrigation and Drainage. 2017.
 
[3]. Kamal A, Masah boani A. Evaluation of uncertainty AOGCM-AR4 models and hydrological models to estimate the temperature, rainfall and runoff Gharehsou affect climate change, Journal of Water. 2011;5 (9): 50-39.
[4].Abbasids F, Babaeian A, Habibi Now Khandan M,Golimokhtari L,Malboosi SH, And Askari SH. Evaluation of the effects of future climate change on precipitation and temperature, with the help of model SCENGEN MAGICC-. Study of physical geography. 2009;20(72): 109-91.
[5]. Hayhoe K, Wake C.P, Huntington T.G, Luo L, Schwartz M.D, Sheffield J, Wood E, Anderson B, Bradbury J, DeGaetano A, Troy T.J, Wolfe D. Past and future changes in climate and Hydrological indicators in the US Northeast. J. Clim Dyn. 2014.2(28):381–407.
[6]. Chobdar, A. The monthly reservoir inflow forecasting Shahid Madani under the influence of climatic elements by using artificial neural networks. PhD thesis - specialization. Physical Geography, University of Tabriz.2007.
[7].Asghari Moghaddam A, norani V, Nadiry AS. Tabriz plain rainfall modeling using artificial neural networks. Tabriz University of Agricultural Knowledge. 2014.18(1): 15-1.
[8].Hoshmand K,D.Esmaeili,K.,Sanaeinejad,S. Simulating the effects of climate change using CPAP evaluation model In the water resources of the watershed of the Salman Farsi dams , Iran Irrigation and Drainage Journal,2019,13(2):258-243.
[9].Kalaki,F.,Shokri,V,Ramazani,H. Simulating the effects of climate change using climate models CMIP5,CMIP6 on runoff using the model SWAT. A case study of Bakhtegan watershed. Iranian Water Resources Research Journal,2022.17(3):359-345.
[10]. Azarnivan,H and Brati ,A.Simulation and prediction of climatic ranges of temperature and precipitation in arid regions. A case study of Minab plain,Gegraphic Journal,2021,18(66):127-110.
[11].IPCC-TGCIA. Guidelines on the use of scenario data for climate impact and adaptation assessment. Carter.T.R.M. Hulme and M. Lal (Eds.).Version1.69pp. Intergovernmental Panel on Climate Change, Task Group on Scenarios for Climate Impact Assessment. 1999.
[12]. IPCC.Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change Intergovernmental Panel on Climate Change Cam- bridge. United Kingdom and New York. USA..2013
[13]. Hosseini S. A. Estimation of maximum temperatures in Ardabil city using artificial neural network theory, Thesis Master of Physical Geography, University researcher Ardabil. 2017.
[14]. Menhaj M.B. Fundamentals of Neural Networks (Computational Intelligence), Nshrdanshgah center, Amir Kabir, Third Edition, 2014.p. 712.
[15].Demuth H. Beale M. Neural Network Toolbox Users Guide Copyright 1992-2002.By the Math Works. Inc. 2011. Version 4.840pp.
[16].Eslah, P. Analysis of return on SASW tests using artificial neural networks. Thesis in Civil Engineering, Faculty of Engineering, University of Urmia. 2014.
[17]. Khalili N, Khodashenas S, Davari k. Precipitation forecasting using artificial neural networks. Conference on Water Resources Management. 2011.
[18].Williams M. and B Lazar. Climate Change in Western Ski Areas: Potential Changes In the Timing of Wet Avalanches and Snow Quality for the Aspen Ski area in the Years 2030 and 2100. Cold Regions Science and Technology.2008;12( 51). 219-228.
[19].Godarzi A. M. T, dastorani S, Masah bovani and A Talebi. Performance evaluation of rainfall-runoff model in forecasting floods IHACRES city (Case Study: Heart-Yazd Grand River watershed. The first national conference on urban flood management. Tehran. 2015.
[20].Kamal A, Masah boani A. Ompare uncertainty and AOGCM-AR4 AOGCM-TAR models of climate change impact on runoff in Gharehsou, Physics of the Earth and space. 2012;38 (3): 188-175.
[21].Taee Semiromi S, Moradi H.R, Khodagholi,R. Simulation and forecasting of climatic variables you multiple linear model SDSM by general circulation models of the atmosphere (case study watershed time Nishapur). Journal of humans and the environment. 2014;15( 28):14-29.
[22].Samadi S. Z, Masah bovani S, Mahdavi,R. Choose a small scale predictor variable for the statistical data on temperature and rainfall Karkhe watershed. Proceedings of the Fifth National Conference on Science and Management Engineering (sustainable management of natural disasters). University of Agricultural Sciences and Natural Resources Sari. 2015.
[23].Ghorbani M, Darbandi S, Asadi E,Samadian M.Simulation of Parameters Affecting the River Flow Trend using the IHACRES Rainfall-runoff Model in Future Periods (Case Study: Zolachai River).Ecohydrology.2021:8(1):177-193.
[24].Ebrahimi R,Eslamian S, Zareian M. Predicting the effects of climate change on groundwater resources using artificial intelligence methods (Case study: Talesh plain). Journal of water and irrigation management.2022:2(3):561-579.
[25].Shahida E, Ehteshamib M, Salari M.Application of Multi-Layer Artificial Neural Networks for Forecasting Groundwater Level(Case study: Yolo County, California). Journal of Environmental Sciences Studies (JESS). 2023: 8(1),: 6270-6281.
[26]. Nobre P, Sandro F. Tedeschi V, Silva J, Bottino M, Baptista da Silva M, Neto O, Figueroa S, Bonatti, Paulo J, Kubota Y, Fernandez J, Giarolla E, Vial J and Nobre,C. Assessing the performance of climate change simulation results from BESM-OA2.5 compared with a CMIP5 model ensemble.Geosci. Model Dev.,2020: 13: 2277–2296.
دوره 10، شماره 2
تیر 1402
صفحه 159-171
  • تاریخ دریافت: 15 دی 1401
  • تاریخ بازنگری: 11 بهمن 1401
  • تاریخ پذیرش: 22 اسفند 1401
  • تاریخ اولین انتشار: 27 فروردین 1402
  • تاریخ انتشار: 01 تیر 1402