شبیه‌سازی اثرات تغییر اقلیم بر رواناب با استفاده از مدل‌های شبکه عصبی مصنوعی و سیستم استنتاج عصبی فازی تطبیقی (مطالعه موردی: حوضه آبریز طشک- بختگان)

در برنامه‌ریزی پروژه‌های منابع آب، برآورد میزان دسترسی به آب نقش مهمی ایفا می‌کند. اولین مرحله در برآورد در دسترس بودن آب، محاسبه رواناب در حوضه‌های آبریز است. از طرفی، تغییر اقلیم به‌صورت مستقیم بر روی مولفه‌های هیدرولوژیکی و منابع آبی تاثیرگذار است؛ لذا بررسی اثرات تغییر اقلیم بر مولفه‌های آبی همچون رواناب امری ضروری است. از این رو در این مطالعه وضعیت جریان ورودی به دریاچه‌های طشک- بختگان به‌عنوان یکی از مهمترین دریاچه‌های کشور مورد بررسی قرار گرفت. از آنجا که فرآیند بارش- رواناب به دلیل ماهیت غیرخطی و چند بعدی، مفهومی پیچیده است، تاکنون مدل‌های مفهومی و فیزیک- پایه مختلفی به منظور پیش‌بینی رواناب توسعه یافته است. وابستگی زیاد این مدل‌ها به پارامترها و نقشه‌های متعدد، عملاً کارایی آنها را در حوضه ‌های با آمار محدود با چالشی اساسی روبرو می ‌نماید. در مقابل، مدل‌های مبتنی بر شبکه‌ عصبی مصنوعی و سیستم استنتاج فازی به عنوان ابزارهای کاربردی درنظر گرفته می‌شوند که می‌توانند در چنین شرایطی به هیدرولوژیست‌ها در فعالیت‌های عملیاتی کمک کنند. در این مطالعه مدل‌های شبکه عصبی انتشار به جلو ffbpnn و سیستم استنتاج عصبی فازی تطبیقی anfis و تلفیق آن با الگوریتم‌های فراابتکاری بهینه‌سازی ازدحام ذرات (pso) و ژنتیک (ga) به منظور بررسی وضعیت رواناب در شرایط تاریخی و نیز تغییر اقلیم تحت سناریوهای rcp و ssp مورد بررسی قرار گرفته است. نتایج به‌دست‌آمده نشان می‌دهد که مدل‌های ffbpnn و anfis تلفیق شده با الگوریتم pso (anfis_pso) با استفاده از متغیرهای بارش، دمای حداقل و دمای حداکثر به عنوان متغیرهای ورودی، به ترتیب با مقادیر ضریب همبستگی، ریشه میانگین مربعات خطا (متر مکعب بر ثانیه)، ضریب نش- ساتکلیف و کلینگ گوپتا (0/99، 2/07، 0/99 و 0/98 در دوره‌ آموزش و 0/94، 3/61، 0/91 و 0/88 در دوره‌ آزمون) و (0/98، 2/94، 0/97 و 0/98 در دوره‌ آموزش و 0/93، 3/87، 0/85 و 0/88 در دوره‌ آزمون) عملکرد بهتری نسبت به سایر مدل‎ها با ورودی‌های متفاوت داشته‌اند. نتایج این تحقیق می‌تواند برای بررسی اثرات این سناریوها بر حوضه‌های مهم کشور و در نتیجه برنامه‌ریزی و مدیریت منابع آب در شرایط تغییر اقلیم مفید باشد.

simulation of the effects of climate change on runoff using artificial neural network models and adaptive fuzzy neural inference system (case study: tashk-bakhtegan basin)

estimating the available water plays a vital role in planning water resources projects. the first step in assessing water availability is to calculate runoff in catchments. moreover, it is necessary to study the effects of climate change on water components such as runoff since climate change directly affects the hydrological components and water resources. in this study, the status of the inflow to tashk-bakhtegan lakes as one of the most important lakes in the country was investigated. because generation of runoff is a complex concept due to its nonlinear and multidimensional nature, various theoretical and physical models have been developed to predict runoff. the high dependence of these physical models on numerous parameters and maps, practically challenfged their efficiency in basins with limited observations. on the other hand, models based on artificial neural networks and fuzzy inference systems are considered applied tools that can help hydrologists in such circumstances. in this study, ffbpnn and anfis models and their combination with pso and ga metaheuristic algorithms have been investigated in evaluating the runoff in historical conditions and under rcp and ssp climate change scenarios.  the obtained results showed that the ffbpnn and anfis models combined with the pso algorithm (anfis_pso) using precipitation, minimum temperature, and maximum temperature as inputs had better performance compared to other models with different inputs. the values of the correlation coefficient, root mean square error (m3/s), nash-sutcliffe coefficient and kling gupta were respectively 0.99, 2.07, 0.99 and 0.98 in the training period and 0.94, 3.61, 0.91 and 0.88 in the test period and 0.98, 94. 2, 0.97 and 0.98 in the training period and 0.93, 3.87, 0.85 and 0.88 in the test period. the results of this study can be used in investigating the effects of the above mentioned scenarios on important basins of the country and consequently in planning and managing water resources in the context of climate change.