پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,240 |
| تعداد مقالات | 67,871 |
| تعداد مشاهده مقاله | 115,428,846 |
| تعداد دریافت فایل اصل مقاله | 90,197,732 |
عملکرد مدل‌های AR4 در شبیه‌سازی پارامترهای اقلیمی دما و بارش با شبکۀ عصبی مصنوعی (مطالعۀ موردی: حوضۀ آبخیز قره‌سو) | ||
| اکوهیدرولوژی | ||
| دوره 10، شماره 2، تیر 1402، صفحه 159-171 اصل مقاله (1.96 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ije.2023.355784.1716 | ||
| نویسندگان | ||
| وحید کاکاپور1؛ مریم بیاتی خطیبی* 2 | ||
| 1دانشجوی دکتری سنجش از دور و سیستم اطلاعات جغرافیایی، گروه سنجش از دور، دانشکدۀ برنامه‌ریزی و علوم محیطی، دانشگاه تبریز | ||
| 2استاد ژئومورفولوژی گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکدۀ برنامه‌ریزی و علوم محیطی، دانشگاه تبریز | ||
| چکیده | ||
| افزایش غلظت گازهای گلخانهای در جو با توجه به فعالیتهای انسانی مانند تغییرات کاربری و استفاده از سوختهای فسیلی به گرم شدن کرۀ زمین و عدم تعادل انرژی جهانی منجر شده است. این افزایش در گازهای گلخانهای موجب بروز پدیدهای به نام تغییر اقلیم شده است. در این تحقیق عملکرد 4 مدل GCM به نامهای HADCM3، CGCM3T63، 5.CSIROMK3،NCARCCSM3 (از مجموعه مدل‌های AR4) تحت سناریوی A2 در شبیه‌سازی پارامترهای اقلیمی دمای میانگین و بارش حوضۀ قره‌سو با استفاده از شبکۀ عصبی مصنوعی (ANN) مورد ارزیابی قرار گرفتند. برای آموزش شبکۀ عصبی مصنوعی از مدل پرسپترون forward استفاده شد. مطابق با ارزیابی عملکرد مدلها با استفاده از ضرایب حداکثر خطای مطلق، میانگین قدر مطلق خطا، جذر میانگین مربعات و ضریب تبیین، در بین مجموعه مدل AR4، به طور میانگین مدل NCARCCSM3 بهترین عملکرد را در شبیه‌سازی پارامترهای اقلیمی دمای حوضۀ قره‌سو دارد. این مدل همراه با CGCM3T63 کمترین اختلاف را با پارامتر اقلیمی دمای مشاهداتی دارند، در حالی که مدل CGCM3T63 کمترین اختلاف را با پارامتر اقلیمی بارش مشاهداتی دارند. همچنین نتایج نشان داد مدل‌های CSIROMK3.5 و NCARCCSM3 بیشترین اختلاف را به‌ترتیب با پارامترهای اقلیمی دما و یارش مشاهداتی دارند. طبق نتایج شبکۀ عصبی ضریب تبیین برای دو پارامتر اقلیمی دما و بارش به طور میانگین به‌ترتیب 97//0 و 73/0 برای کل حوضه به دست آمد که نشاندهندۀ دقت شبکۀ عصبی در شبیه‌سازی این پارامتر دارد. | ||
| کلیدواژه‌ها | ||
| تغییر اقلیم؛ مدل‌های گردش عمومی جو؛ شبکه عصبی مصنوعی؛ شبکه عصبی چندلایه | ||
| عنوان مقاله [English] | ||
| The performance of AR4 models in simulating climate parameters of temperature and precipitation with artificial neural network (Case study: Qara-Su watershed) | ||
| نویسندگان [English] | ||
| Vahid Kakapour1؛ Maryam Bayati Khatibi2 | ||
| 1Ph.D Student of RS & GIS, Department of RS & GIS, Faculty of Planning and Environment sciences, University of Tabriz ,Tabriz, Iran | ||
| 2Professor, Geomorphology , Department of RS and GIS , Faculty of Planning and environment sciences ,University of Tabriz, Tabriz, Iran | ||
| چکیده [English] | ||
| The increase in the concentration of greenhouse gases in the atmosphere due to human activities such as changes in usage and use of fossil fuels has led to global warming and global energy imbalance. This increase in greenhouse gases has caused a phenomenon called climate change. In this research, the performance of 4 GCM models named HADCM3, CGCM3T63, 5.CSIROMK3, NCARCCSM3 (from the set of AR4 models) under scenario A2 in simulating the climate parameters of average temperature and precipitation in the Qara-Su basin using artificial neural network. ANN) were evaluated. The forward perceptron model was used to train the artificial neural network. According to the evaluation of the performance of the models by using the coefficients of the maximum absolute error, the average absolute value of the error, the root mean square and the coefficient of explanation, among the set of AR4 models, on average, the NCARCCSM3 model has the best performance in simulating the climatic parameters of the temperature of the Qara-Su area. This model together with CGCM3T63 has the least difference with the observed temperature climate parameter, while the CGCM3T63 model has the least difference with the observed precipitation climate parameter. Also, the results showed that the CSIROMK3.5 and NCARCCSM3 models have the biggest differences with the climatic parameters of temperature and observations, respectively. According to the results of the neural network, the coefficient of explanation for the two climatic parameters of temperature and precipitation are on average 0.97 and 73. 0 was obtained for the entire domain, which indicates the accuracy of the neural network in simulating this parameter. | ||
| کلیدواژه‌ها [English] | ||
| Climate change, GCM, Artificial Neural Network, MLP | ||
| مراجع | ||
|
[1].Huang J, Zhang J, Zhang Z, Xu C,Wang B, Yao J. Estimation of future precipitation change in the Yangtze River basin by using statistical downscaling method. Stoch Env Res Risk.2016;25(6):781–792.
[2].Shahkarami N, Masah bovani S, Morid S, And Golmokhtari, h. Uncertainty analysis models coupled atmosphere-ocean general -Grdsh -Atmsfr on temperature and precipitation scenarios of climate change on river basins, the technical workshop on climate change impacts on water resources management. Iranian National Committee on Irrigation and Drainage. 2017.
[3]. Kamal A, Masah boani A. Evaluation of uncertainty AOGCM-AR4 models and hydrological models to estimate the temperature, rainfall and runoff Gharehsou affect climate change, Journal of Water. 2011;5 (9): 50-39.
[4].Abbasids F, Babaeian A, Habibi Now Khandan M,Golimokhtari L,Malboosi SH, And Askari SH. Evaluation of the effects of future climate change on precipitation and temperature, with the help of model SCENGEN MAGICC-. Study of physical geography. 2009;20(72): 109-91.
[5]. Hayhoe K, Wake C.P, Huntington T.G, Luo L, Schwartz M.D, Sheffield J, Wood E, Anderson B, Bradbury J, DeGaetano A, Troy T.J, Wolfe D. Past and future changes in climate and Hydrological indicators in the US Northeast. J. Clim Dyn. 2014.2(28):381–407.
[6]. Chobdar, A. The monthly reservoir inflow forecasting Shahid Madani under the influence of climatic elements by using artificial neural networks. PhD thesis - specialization. Physical Geography, University of Tabriz.2007.
[7].Asghari Moghaddam A, norani V, Nadiry AS. Tabriz plain rainfall modeling using artificial neural networks. Tabriz University of Agricultural Knowledge. 2014.18(1): 15-1.
[8].Hoshmand K,D.Esmaeili,K.,Sanaeinejad,S. Simulating the effects of climate change using CPAP evaluation model In the water resources of the watershed of the Salman Farsi dams , Iran Irrigation and Drainage Journal,2019,13(2):258-243.
[9].Kalaki,F.,Shokri,V,Ramazani,H. Simulating the effects of climate change using climate models CMIP5,CMIP6 on runoff using the model SWAT. A case study of Bakhtegan watershed. Iranian Water Resources Research Journal,2022.17(3):359-345.
[10]. Azarnivan,H and Brati ,A.Simulation and prediction of climatic ranges of temperature and precipitation in arid regions. A case study of Minab plain,Gegraphic Journal,2021,18(66):127-110.
[11].IPCC-TGCIA. Guidelines on the use of scenario data for climate impact and adaptation assessment. Carter.T.R.M. Hulme and M. Lal (Eds.).Version1.69pp. Intergovernmental Panel on Climate Change, Task Group on Scenarios for Climate Impact Assessment. 1999.
[12]. IPCC.Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change Intergovernmental Panel on Climate Change Cam- bridge. United Kingdom and New York. USA..2013
[13]. Hosseini S. A. Estimation of maximum temperatures in Ardabil city using artificial neural network theory, Thesis Master of Physical Geography, University researcher Ardabil. 2017.
[14]. Menhaj M.B. Fundamentals of Neural Networks (Computational Intelligence), Nshrdanshgah center, Amir Kabir, Third Edition, 2014.p. 712.
[15].Demuth H. Beale M. Neural Network Toolbox Users Guide Copyright 1992-2002.By the Math Works. Inc. 2011. Version 4.840pp.
[16].Eslah, P. Analysis of return on SASW tests using artificial neural networks. Thesis in Civil Engineering, Faculty of Engineering, University of Urmia. 2014.
[17]. Khalili N, Khodashenas S, Davari k. Precipitation forecasting using artificial neural networks. Conference on Water Resources Management. 2011.
[18].Williams M. and B Lazar. Climate Change in Western Ski Areas: Potential Changes In the Timing of Wet Avalanches and Snow Quality for the Aspen Ski area in the Years 2030 and 2100. Cold Regions Science and Technology.2008;12( 51). 219-228.
[19].Godarzi A. M. T, dastorani S, Masah bovani and A Talebi. Performance evaluation of rainfall-runoff model in forecasting floods IHACRES city (Case Study: Heart-Yazd Grand River watershed. The first national conference on urban flood management. Tehran. 2015.
[20].Kamal A, Masah boani A. Ompare uncertainty and AOGCM-AR4 AOGCM-TAR models of climate change impact on runoff in Gharehsou, Physics of the Earth and space. 2012;38 (3): 188-175.
[21].Taee Semiromi S, Moradi H.R, Khodagholi,R. Simulation and forecasting of climatic variables you multiple linear model SDSM by general circulation models of the atmosphere (case study watershed time Nishapur). Journal of humans and the environment. 2014;15( 28):14-29.
[22].Samadi S. Z, Masah bovani S, Mahdavi,R. Choose a small scale predictor variable for the statistical data on temperature and rainfall Karkhe watershed. Proceedings of the Fifth National Conference on Science and Management Engineering (sustainable management of natural disasters). University of Agricultural Sciences and Natural Resources Sari. 2015.
[23].Ghorbani M, Darbandi S, Asadi E,Samadian M.Simulation of Parameters Affecting the River Flow Trend using the IHACRES Rainfall-runoff Model in Future Periods (Case Study: Zolachai River).Ecohydrology.2021:8(1):177-193.
[24].Ebrahimi R,Eslamian S, Zareian M. Predicting the effects of climate change on groundwater resources using artificial intelligence methods (Case study: Talesh plain). Journal of water and irrigation management.2022:2(3):561-579.
[25].Shahida E, Ehteshamib M, Salari M.Application of Multi-Layer Artificial Neural Networks for Forecasting Groundwater Level(Case study: Yolo County, California). Journal of Environmental Sciences Studies (JESS). 2023: 8(1),: 6270-6281.
[26]. Nobre P, Sandro F. Tedeschi V, Silva J, Bottino M, Baptista da Silva M, Neto O, Figueroa S, Bonatti, Paulo J, Kubota Y, Fernandez J, Giarolla E, Vial J and Nobre,C. Assessing the performance of climate change simulation results from BESM-OA2.5 compared with a CMIP5 model ensemble.Geosci. Model Dev.,2020: 13: 2277–2296. | ||
|
آمار تعداد مشاهده مقاله: 217 تعداد دریافت فایل اصل مقاله: 124 |
||