مقایسه مدل های شبکه عصبی مصنوعی و یادگیری عمیق در مدلسازی بارش-رواناب رودخانه کشف رود و پیش بینی اثر تغییر اقلیم بر پارامترهای هواشناسی و دبی رودخانه

هدف از این تحقیق، مقایسه عملکرد مدل های شبکه عصبی مصنوعی (ann) و شبکه عصبی عمیق (dnn) در مدلسازی بارش-رواناب رودخانه کشف رود در یکی از سرشاخه های دائمی آن و پیش ینی اثر تغییر اقلیم بر پارامترهای هواشناسی و دبی رودخانه می باشد. بدین منظور عملکرد دو مدل شبکه عصبی پیشخور چند لایه (mlp) و شبکه عصبی کانولوشن (cnn) در مدل سازی بارش-رواناب با ورودی هایی از بارش و دبی روزانه با تاخیرهای مختلف با یکدیگر مقایسه شد. سپس از پیش بینی مدل lars-wg6 در دوره آتی (2021-2040) در سناریوهای مختلف تغییر اقلیم (rcp26، rcp45 و rcp85) به عنوان ورودی مدل هوش مصنوعی برتر استفاده شده و دبی رودخانه و مقادیر حدی آن پیش بینی گردید. یافته های تحقیق نشان داد که مدل cnn با ورودی بارندگی با تاخیر صفر تا 2 روز و دبی رودخانه با تاخیر 1 روز، بهترین عملکرد را در مدلسازی دبی رودخانه داشت. پیش‌بینی‌های lars-wg6 نشان داد که افزایش حداقل و حداکثر دما در آینده در ماه‌های مختلف در محدوده 0.3 تا 2.1 درجه سانتیگراد خواهد بود. بارندگی سالانه در همه سناریوهای تغییر اقلیم در آینده افزایش خواهد یافت. بیشترین افزایش بارندگی سالانه در آینده، نسبت به دوره پایه در سناریوی rcp26 به میزان 14% خواهد بود و حداکثر دبی در سناریوی مذکور، حدود 18 درصد افزایش خواهد یافت.

comparison of artificial neural network and deep learning models in rainfall-runoff modeling of kashafrood river and predicting climate change impact on meteorological parameters and river flow

the main objective of this research is to compare the performance of artificial neural network (ann) and deep neural network (dnn) models in rainfallrunoffmodeling of kashafrood in one of its permanent branches and to predict the effects of climate change on meteorological parameters and river discharge.for this purpose, the performance of two models of multilayer perceptron (mlp) and convolutional neural network (cnn) were compared in simulation of rainfallrunoff. the input data include daily rainfall and river discharge with different lags in several scenarios. the efficient model and scenario were selected. then,the predicted data of lars-wg6 in the future period (2021-2040) considering different representative concentration pathway scenarios (rcp26, rcp45 andrcp85) was used as the input of the best artificial intelligence model to predict the daily river discharge and extreme amounts. the results indicated that thecnn model based on the scenario, in which 0-2 days and 1-day lags were considered for rainfall and discharge data respectively, presented the bestperformance. the projected results of lars-wg6 showed that the minimum and maximum temperature will increase in the range of 0.3 to 2.1 °c in differentmonths. annual precipitation will increase in all climate scenarios in the future.the most significant rise of the projected data compared to the historical period willhappen in rpc26 by 14% and 18% in the rainfall and maximum discharge respectively.