مدل سازی بارش و رواناب حوضه آبریز آجی چای با استفاده از مدل های هوش مصنوعی مبتنی بر شبکه عصبی

در سالیان اخیر و با توجه به گسترش فعالیت‌های صنعتی ، ایجاد کارخانجات مختلف، تغییر در کاربری زمین‌های کشاورزی و مداخلات پرشمار در محیط‌زیست، باعث افزایش گاز‌های گلخانه‌ای و به موجب آن باعث تغییر در تعادل آب‌و‌هوایی، و تغییر در پارامترهای اقلیمی و به صورت کلی، اقلیم کره‌زمین گردیده است. منظور از عدم تعادل اقلیمی، تغییر در میانگین و بازه تغییراتی در پارامترهای اقلیمی در یک منطقه بخصوص و همچنین بصورت عمومی در تمامی مناطق جهان، در مقایسه با روندی که در طی سالیان متمادی با استفاده از داده‌های مشاهداتی در یک منطقه مشخص مورد مطالعه، و همچنین بر اقلیم در مقیاس جهانی حاکم بوده است را شامل می‌گردد. الگوی دمایی و الگوی بارش در یک منطقه، از مهم‌ترین پارامترهای موثر در تغییرات اقلیمی به شمار می‌روند. هرنوع تغییر در این پارامترها، برنامه‌ریزی برای پیش‌بینی آینده و الگوهای اقلیمی را دستخوش تغییر قرار می‌دهد. این مسئله، ضرورت پیش‌بینی دقیق این پارامترها را برای همگان عیان می‌سازد. برای مطالعات اقلیمی روش‌های بررسی متنوعی وجود دارند؛ که برای پیش‌بینی و مدل‌سازی از آن‌ها استفاده می‌گردد ، با پیشرفت تکنولوژی در زمینه هوش مصنوعی ، محققین متعددی در سر تا سر جهان از تکنیک ‌های مبتنی بر هوش مصنوعی در مطالعات خود استفاده کرده اند. در این راستا، مدل‌های هوش مصنوعی، به‌ویژه شبکه‌های عصبی پیشخور 1(ffnn) و مدل‌های حافظه بلندوکوتاه ‌مدت 2(lstm) توانسته‌اند پیشرفت‌های چشمگیری در شبیه‌سازی و پیش‌بینی فرایندهای بارش-رواناب ایجاد کنند. در این پژوهش با استفاده از داده های مشاهداتی ایستگاه های هواشناسی و هیدرومتری موجود در حوضه آجی چای نسبت به مدل سازی بارش و رواناب با استفاده از مدل های شبکه عصبی اقدام شد که در نهایت مدل (lstm) با ضریب تبیین3 0.79 و جذر میانگین خطای مربعات4 0.12 عملکرد بهتری نسبت مدل (ffnn) داشت و این یافته‌ها بیانگر دقت بالاتر مدل (lstm) در پیش‌بینی بارش و رواناب حوضه آجی‌چای است و می‌تواند به‌عنوان ابزاری موثر در پیش‌بینی‌های اقلیمی و مدیریت بهینه منابع آب در این حوضه مورد استفاده قرار گیرد.

modeling rainfall–runoff of the aji-chay watershed using artificial intelligence-based neural network models

in recent decades, rapid industrial development, expansion of manufacturing activities, land-use changes, and extensive human interventions in the environment have led to increased greenhouse gas emissions, disrupting climatic balance and altering global and regional climate patterns. climatic imbalance refers to variations in the mean and range of climatic parameters in a specific region, as well as globally, compared with their long-term observational trends. among the most influential factors contributing to climate variability are temperature and precipitation patterns. changes in these parameters significantly affect future planning and climate projections, emphasizing the need for accurate prediction methods. various approaches have been developed for climate and hydrological studies, particularly for modeling and forecasting. with the advancement of artificial intelligence (ai), numerous researchers worldwide have employed ai-based methods for modeling hydrological processes. among these, artificial neural network models especially feed-forward neural networks (ffnn) and long short-term memory (lstm) networks have demonstrated substantial capability in simulating and predicting rainfall–runoff processes. in this study, rainfall and runoff in the aji-chay basin were modeled using observed data from meteorological and hydrometric stations through ai-based neural network models. the results revealed that the lstm model outperformed the ffnn model, achieving a coefficient of determination (r²) of 0.79. these findings indicate the higher predictive accuracy of the lstm model in simulating rainfall–runoff processes within the aji-chay basin. consequently, the lstm model can serve as a reliable tool for hydrological forecasting and optimal water resources management in this basin.