| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 3,019 |
| تعداد مقالات | 33,734 |
| تعداد مشاهده مقاله | 44,975,798 |
| تعداد دریافت فایل اصل مقاله | 46,550,391 |
تاثیر پارامترهای ورودی ریزمقیاس‌نمایی با روش هوش مصنوعی در تخمین پارامترهای هیدرولوژیکی، مطالعه موردی: ایستگاه سینوپتیک اردبیل | ||
| مهندسی و مدیریت آبخیز | ||
| مقاله 7، دوره 15، شماره 3، مهر 1402، صفحه 438-451 اصل مقاله (509.06 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2022.358022.1963 | ||
| نویسندگان | ||
| نگار عین اله زاده1؛ اتابک فیضی* 2؛ فرناز دانشور وثوقی3 | ||
| 1کارشناسی ارشد مهندسی عمران، مهندسی و مدیریت منابع آب، دانشکده فنی مهندسی، دانشگاه محقق اردبیلی، اردبیل، ایران | ||
| 2دانشیار، گروه مهندسی عمران، دانشکده فنی مهندسی، دانشگاه محقق اردبیلی، اردبیل، ایران | ||
| 3استادیار گروه مهندسی عمران، دانشگاه آزاد اسلامی، واحد اردبیل، اردبیل، ایران | ||
| چکیده | ||
| مقدمه در سالهای اخیر، مواردی از قبیل رشد فعالیت‌های صنعتی، از بین رفتن محیط زیست و غیره، منجر به افزایش گازهای گلخانه‌ای و برهم خوردن تعادل اقلیمی شده است که این پدیده با عنوان تغییر اقلیم یاد می‌شود. تاثیر منفی این پدیده در سامانه‌های مختلفی همچون منابع آب، کشاورزی، صنعت و غیره، موجب نگرانی‌هایی برای جوامع بشری شده است. بنابراین، یکی از علت‌های اصلی نگرانی‌های امروزه، بحث تغییر اقلیم در ارتباط با منابع آب است. تغییر اقلیم و آثار آن، یکی از مهمترین چالش‌های مدیریت منابع آب و انرژی است که باید به‌صورت جدی بررسی شود و برنامه‌ریزی‌هایی به‌منظور مقابله با آثار آن بر منابع آب صورت گیرد. هدف از این پژوهش، یافتن مناسبترین مدل تغییر اقلیم برای منطقه و ارزیابی کارایی روش‌های هوش مصنوعی در بررسی پدیده تغییر اقلیم است. مواد و روش‌ها یکی از معتبرترین روش‌ها، برای بررسی پارامترهای موثر بر پدیده‌های هیدرولوژیکی تحت تاثیر تغییرات اقلیم، استفاده از مدل‌های گردش عمومی جو (GCM) است. برای استفاده از این مدل‌ها در مقیاس منطقه‌ای، نیاز به انجام عملیات ریزمقیاس نمایی است. قبل از انجام فرایند ریزمقیاس‌نمایی، به‌علت تعداد زیاد پارامترهای حاصل از مدل‌های گردش عمومی زمین، ابتدا باید موثرترین پارامترها از میان آن‌ها انتخاب شود. در این پژوهش، برای تعیین پارامترهای هواشناسی و هیدرولوژیکی ایستگاه سینوپتیک اردبیل، از 25 مدل سری پنجم گزارش IPCC، استفاده شد. برای تعیین مدل برتر از میان مدل‌های بررسی شده، از شاخص ضریب همبستگی خطی بین مقادیر ماهانه بارش و دمای مشاهداتی با خروجی مدل‌های GCM استفاده شد. همچنین، برای ریزمقیاس‌نمایی خروجی مدل‌های GCM، از شبکه عصبی مصنوعی استفاده شد. قبل از به‌کارگیری شبکه عصبی، برای رسیدن به یک شبکه ایده‌آل و بهینه، مناسبترین پارامترهای ورودی به شبکه از میان پارامترهای مدل‌های GCM برتر منطقه، با استفاده از ضریب همبستگی خطی، تابع اطلاعات مشترک و درخت تصمیم M5، بررسی و انتخاب شدند. نتایج و بحث در این پژوهش، برای بررسی عدم قطعیت مدل‌های GCM، 25 مدل از سری پنجم IPCC، مورد بررسی قرار گرفتند. نتایج بیانگر آن بود که سه مدل MRI-CGCM3 ،CMCC-CMS و MPI-ESMMR، مناسبترین ضرایب همبستگی را در ایستگاه سینوپتیک اردبیل ارائه می‌کنند. نتایج حاصل برای تعیین مناسبترین پارامترهای ورودی، به‌منظور ریزمقیاس‌نمایی با استفاده از سه روش ضریب همبستگی خطی، تابع اطلاعات مشترک و درخت تصمیم M5 نشان داد که الگوریتم درخت تصمیم، مناسبترین پارامترها را برای منطقه مورد نظر ارائه می‌کند. همچنین، نتایج حاصل از ریزمقیاس‌نمایی با شبکه عصبی با استفاده از متغیرهایی که با روش درخت تصمیم انتخاب شدند، عملکرد مناسب این روش را در انتخاب پارامترهای موثر ورودی شبکه عصبی نشان داد. به‌طوریکه پارامترهای انتخاب شده مدل MRI-CGCM3، به‌عنوان ورودی شبکه عصبی در روش ریزمقیاس‌نمایی پاسخ‌های بهتری را ارائه داده است. نتایج به‌دست آمده با استفاده از پارامترهای انتخاب شده مدل MRI-CGCM3 نشان داد که در پارامتر بارش، مقدار DC، RMSE و CC برای داده‌های آزمون، به‌ترتیب 0.39، 0.40 و 0.63 به‌دست آمده و در پارامتر دما، مقدار DC، RMSE و CC برای داده‌های آزمون مدل برتر، به‌ترتیب 0.9، 0.03 و 0.95 بوده است. نتیجه‌گیری عملکرد شبکه‌های ریزمقیاس‌نمایی، به شرایط اقلیمی منطقه وابسته است. برتری یک مدل در یک پژوهش، نمی‌تواند یک استدلال صحیح برای انتخاب آن مدل در تمامی مناطق باشد. بهتر است برای دستیابی به یک مدل بهینه، از مدل‌های متنوع گردش عمومی زمین در منطقه استفاده شود. انجام چنین پژوهش‌هایی، می‌تواند پژوهشگران را برای بررسی پدیده‌های مختلف هیدرولوژیکی که ممکن است در آینده رخ دهد و عواقب جبران‌ناپذیری داشته باشد، کمک شایانی کند. | ||
| کلیدواژه‌ها | ||
| تابع اطلاعات مشترک؛ درخت تصمیم؛ شبکه عصبی مصنوعی؛ ضریب همبستگی خطی؛ مدل‌های GCM | ||
| عنوان مقاله [English] | ||
| An evaluation of the impact of exponential downscale input parameters with artificial intelligence method for estimation of hydrological parameters, case study: Ardabil Synoptic Station | ||
| نویسندگان [English] | ||
| Negar Einnollahzadeh1؛ Atabak Feizi2؛ Farnaz Daneshvar vousoughi3 | ||
| 1Msc in Civil Engineering, Water Resource Management and Engineering, Department of Civil Engineering, University of Mohaghegh Ardabili, Ardabil, Iran | ||
| 2Associate Professor, Department of Civil Engineering, Faculty of Engineering, University of Mohaghegh Ardabili, Ardabil, Iran | ||
| 3Assistant Professor, Department of Civil Engineering, Islamic Azad University, Ardabil Branch, Ardabil, Iran | ||
| چکیده [English] | ||
| Introduction In recent years, factors such as the growth of industrial activities and environmental destruction have led to an increase in greenhouse gases, resulting in disruption of the climate balance known as climate change. The negative impact of this phenomenon on various systems, such as water resources, agriculture and industry, has raised concerns in human society. Consequently, addressing the issue of climate change regarding water resources has become one of the primary causes of concern today. Climate change and its effects pose significant challenges to water and energy resource management, necessitating thorough investigation and developing plans to mitigate its impact on water resources. This study aims to identify the region's most suitable climate change model and assess the effectiveness of artificial intelligence methods in studying the climate change phenomenon. Materials and methods One of the most reliable approaches for studying the parameters influencing hydrological phenomena under climate change is atmospheric general circulation models. To employ these models on a regional scale, downscaling operations are necessary. Given the large number of parameters derived from Earth's General Circulation Models (GCMs), selecting the most influential parameters is essential before proceeding with the exponential downscaling process. In this study, the meteorological and hydrological parameters of the Ardabil synoptic station were determined using 25 models from the fifth series of the IPCC report. The linear correlation coefficient between monthly precipitation and observed temperature with the output of GCM was used to identify the most appropriate model among the reviewed models. Artificial Neural Network (ANN) was also utilized to downscale the GCMs output. Before employing the neural network, the linear correlation coefficient, the standard information function, and the M5 decision tree were used to identify the most suitable input parameters from the parameters of the best GCMs in the region, to obtain an ideal and optimal network. Results and discussion This research investigated 25 models from the fifth series of the IPCC report to explore the uncertainty of GCMs. The results indicated that three models-MRI-CGCM3, CMCC-CMS, and MPI-ESMMR-demonstrated the most suitable correlation coefficients at the Ardabil synoptic station. The findings related to determining the most appropriate input parameters for exponential downscaling, using three methods: linear correlation coefficient, standard information function, and M5 decision tree, revealed that the decision tree algorithm provided the most suitable parameters. Moreover, the results obtained from the downscale analysis using the neural network with the variables selected by the decision tree method exhibited the excellent performance of this approach in selecting the effective input parameters of the neural network. Specifically, using the selected parameters of the MRI-CGCM3 model as input for the neural network as a downscaling method yielded better outcomes. The results obtained using the selected parameters of the MRI-CGCM3 model indicated that for the precipitation parameter, the values of the Determination Coefficient (DC), Root Mean Square Error (RMSE), and Correlation Coefficient (CC) for the test data were 0.39, 0.04, and 0.63, respectively. For the temperature parameter, the values of DC, RMSE, and CC for the test data of the superior model were 0.9, 0.03, and 0.95, respectively. Conclusion The performance of exponential downscaling networks is determined by the climatic conditions of the region. The superiority of a particular model in one study cannot be regarded as a valid argument for selecting that model for all regions. It is advisable to utilize different models of the general earth circulation within the region to identify an optimal model. Conducting such studies can assist researchers in investigating various hydrological phenomena that may occur in the future, which may have irreparable consequences. | ||
| کلیدواژه‌ها [English] | ||
| Artificial neural network, Correlation coefficient, Decision tree, GCM models, Mutual information | ||
| مراجع | ||
|
Ahmadi Baseri, N., Shirvani, A., Nazemosadat, M.J., 2014. The application of ANN for downscaling GCMs outputs for prediction of precipitation in across Southern Iran. J. Soil Water Conserv. 28(5), 1037-1047 (in Persian). Alberg, D., Last, M., Kindle, A., 2012. Knowledge discovery in data streams with regression tree methods. WIREs Data Mining Knowl. Discov. (2), 69-78. Alizadeh, M., Gorbani, M., Darbandi, S., 2020. The effect of climate change on the severity and duration of meteorological drought under the LARS-WG model, case study: Ardabil Synoptic Station. Proceedings of 9th National Conference on Rainwater Catchment Systems, University of Tabriz, Tabriz, Iran. Almazroui, M., Saeed, F., Saeed, S., Islam, M.N., Ismail, M., Klutse, N.A.B., Siddiqui, M.H., 2020. Projected change in temperature and precipitation over Africa from CMIP6. Earth Syst. Environ. 4(3), 455-475. Alvisi, S., Mascellani, G., Franchini, M., Bardossy, A., 2006. Water level forecasting through fuzzy logic and artificial neural network approaches. Hydrol. Earth Syst. Sci. 10, 1-17. Amirabadizadeh, M., Nazeri Tahroudi, M., Zeynali, M.J., 2018. Evaluation of the accuracy of artificial intelligence and regression models for the simulation of daily temperature. J. Meteoro. Atmos. Sci. 1(1), 65-76 (in Persian). Asakereh, H., Hesami, N., 2019. Assessing the application of artificial neural networks and SDSM models to simulate the minimum and maximum temperatures at Isfahan station. J. Geophys. Res. Desert Areas 7(2), 133-158 (in Persian). Dehghani, R., Younesi, H., Torabi Podeh, H., 2017. Comparing the performance of support vector machine, gene expression programming and Bayesian networks in predicting river flow, case study: Kashkan River. Water Soil Conserv. 24(4), 161-177 (in Persian). ESGF, 2020. Earth system grid federation. https://esgf-node.llnl.gov/search/cmip5/ (accessed 25 April 2020). Feizi, A., Aghajani Jomayran, R., 2021. Allocation and management of water resources in the Yamchi Dam Basin with scenario analysis approach using WEAP model. J. Environ. Sci. Technol. 23(9), 89-107 (in Persian). Goodarzi, M., Choobeh, S., 2019. Assessment of downscaling methods in predicting climatic parameters under climate change status: a case study in Ardabil Synoptic Station. Iran-Watershed Manag. Sci. Engin. 13(45), 63-69 (in Persian). Gudmundsson, L., Boulange, J.DO.X., Gosling, S.N., Grillakis, M.G., Koutroulis, A.G., Zhao, F., 2021. Globally observed trends in mean and extreme river flow attributed to climate change. Science 371(6534), 1159-1162. Hamidi, O., Poorolajal, J., Sadeghifar, M., Abbasi, H., Maryanaji, Z., Faridi, H., Tapak, L., 2015. A comparative study of support vector machines and artificial neural networks for predicting precipitation in Iran. Theor. Appl. Climatol. 119(3), 723–731. IPCC, 2014. Summary for policymakers, In: Climate Change 2014: Impacts, Adaptation, and Vulnerability, Part A: Global and Sectoral Aspects. Cambridge University Press, Cambridge, United Kingdom and New York. Javaherian, M., Ebrahimi, H., Aminnejad, B., 2021. Prediction of changes in climatic parameters using CanESM2 model based on RCP scenarios, case study: Lar Dam Basin. Ain Shams Eng. J. 12(1), 445-454. Khezri, F., Irandoust, M., Jalalkamali, N., Yazdanpanah, N., 2022. Modeling and bivariate analysis of meteorological drought using data generation with climate change approach, case study: Lake Urmia. J. Soil Water Conserv. 11(2), 49-68 (in Persian). Kia, E., Karimi, V., 2021. Investigation of temperature and rainfall parameters of Haraz River Basin affected by climate change. J. Nat. Enviro. Hazards 26(9), 145-160 (in Persian). Miao, C.Y., Duan, Q.Y., Sun Q.H., Li, G.D., 2013. Evaluation and application of Bayesian multi-model estimation in temperature simulations. Prog. Phys. Geogr. 37(6), 727-744. Mora, D.E., Campozano, L., Cisneros, F., Wyseure, G., Willems, P., 2014. Climate changes of hydrometeorological and hydrological extremes in the Paute Basin, Ecuadorean Andes. Hydrol. Earth Syst. Sci. (18), 631–648. Nourani, V., Komasi, M., Mano, A., 2009. A multivariate ANN wavelet approach for rainfall–runoff modeling. Water Resour. Manag. 23(14), 2877-2894. Nourani, V., Razzaghzadeh, Z., Baghanam, A.H., Molajou, A., 2019. ANN-based statistical downscaling of climatic parameters using decision tree predictor screening method. Theor. Appl. Climatol. 137(3), 1729-1746. Omidvar, E., Rezaei, M., Pirnia, A., 2018. Performance evaluation of artificial neural network models for downscaling and predicting of climate variables. J. Watershed Manag. Res. 9(18), 80-90 (in Persian). Pattnayak, K.C., Kar, S.C., Dalal, M., Pattnayak, R.K., 2017. Projections of annual rainfall and surface temperature from CMIP5 models over the BIMSTEC countries. Glob. Planet. Change 152, 152-166. Rajaee, T., Nourani, V., Zounemat-Kermani, M., Kisi, O., 2011. River suspended sediment load prediction: application of ANN and wavelet conjunction model. J. Hydrol. Eng. 16(8), 613-627. Razzaghzadeh, Z., Nourani, V., Hosseini baghanam, A., 2020. Application of mutual information feature extraction methods in statistical downscaling for investigation of climate change effects on Tabriz precipitation. J. Environ. Sci. Technol, in Press (in Persian). Rezaee, M., Nahtaj, M., Moghadamniya, A., Abkar, A., Rezaee, M., 2015. Comparison of artificial neural network and SDSM methods in the downscaling of annual rainfall in the HadCM3 modelling, case study: Kerman, Ravar and Rabor. Water Resour. Engin. J. 8(24), 25-40 (in Persian). Sabziparvar, A., F. Khoshhal Jahromi. 2018. Comparison of multi-layer perceptron artificial neural network and Linacre regression model performance for predicting daily minimum temperature (case study: Kerman, Shiraz, Rasht and Hamedan). Iranian Journal of Geophysics, 12(3):121-107, (in Persian) Yang, H. H., S.V. Vuuren, S. Sharma and H. Hermansky. 2000. Relevance of time-frequency features for phonetic and speaker-channel classification. Speech Communication, 31(1): 35-50. | ||
|
آمار تعداد مشاهده مقاله: 536 تعداد دریافت فایل اصل مقاله: 261 |
||