پیش بینی میزان رواناب رودخانه زرینه رود در شرایط تغییر اقلیم با استفاده از شبکه های عصبی مصنوعی

در پژوهش حاضر، تاثیر تغییر اقلیم بر تغییر رواناب سطحی زرینه رود واقع در دشت میاندوآب مورد بررسی قرار گرفت. در این راستا، سناریوهای a1b، a2 و b1 از طریق مدل ریزمقیاس نمایی larswg 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. بدین منظور 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 larswg در سال های آینده به عنوان ورودی مدل شبکه عصبی منتخب استفاده شده و در ادامه رواناب پیش بینی گردید. نتایج ارزیابی داده های مشاهداتی و شبیه سازی شده توسط مدل larswg 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 62.4 متر مکعب بر ثانیه افزایش و در دوره 2099-2080 نسبت به دوره پایه در حدود 7.14 مترمکعب بر ثانیه کاهش خواهد یافت.

Prediction of Zarrinehrud River Run-Off in the Climate Change Condition using Artificial Neural Networks

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 LARSWG downscaling model and with applying the HadCM3 general circulation model and artificial neural network model in two different periods (20462065, 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 oneday delay. Then, the meteorological data predicted by the LARSWG 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 LARSWG 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 20462065 will increase about 4.62 CMS than base period and it will decrease about 14.7 CMS during the period 20802099 compared to the base period.