مقایسه روشهای شبکه‌ی عصبی مصنوعی و SDSM در ریزمقیاس کردن اندازه‌ی بارش سالانه-ی شبیه‌سازی شده با HadCM3 (مطالعه‌ی موردی: کرمان، راور و رابر)

فصلنامه علمی مهندسی منابع آب

مقاله 3، دوره 8، شماره 24، فروردین و اردیبهشت 1394، صفحه 25-40   

نوع مقاله: مقاله پژوهشی

نویسندگان

مریم رضائی¹؛ محمد نهتانی^{* 2}؛ علیرضا مقدم‌نیا³؛ علیجان آبکار⁴؛ معصومه رضائی⁵

¹دانش آموخته کارشناسی ارشد، گروه مرتع و آبخیزداری ، دانشگاه زابل

²استادیار، گروه مرتع و آبخیزداری دانشگاه زابل

³دانشیار، گروه احیای مناطق خشک و کوهستانی ، پردیس کشاورزی و منابع طبیعی دانشگاه تهران

⁴کارشناس ارشد مرکز تحقیقات کشاورزی و منابع‌طبیعی استان کرمان

⁵مربی گروه مهندسی برق و کامپیوتر، دانشگاه سیستان و بلوچستان

تاریخ دریافت: 18 مرداد 1394،  تاریخ پذیرش: 18 مرداد 1394 

چکیده

امروزه این باور وجود دارد که فعالیتهای انسانی، از جمله تغییر در پوشش و کاربری اراضی، موجب افزایش غلظت گاز‌های گلخانه‌ای می‌گردد، که پیامد آن برهم خوردن توازن کارمایه، گرم شدن اتمسفر، و در نهایت پدیده­ی تغییر اقلیم می‌باشد. پیش‌بینی بارندگی یکی از مهمترین مسائل در برنامه‌ریزی و مدیریت منابع آب می‌باشد. در این پژوهش، اندازه­ی بارندگی ایستگاههای کرمان، راور و رابر با استفاده از خروجیهای شبیهHadCM3 ، تحت نمایشنامه­ی A2، و از طریق شبیه‌های ریز مقیاس کننده­ی SDSM و شبکه­ی عصبی مصنوعی، برای سه دوره­ی 2039-2010، 2069-2040 و 2099-2070 میلادی پیش‌بینی شده است. ابتدا دوره­ی آماری 2001-1971، به عنوان دوره­ی پایه انتخاب شد. در ادامه، با توجه به معیارهای آماری، نتایج حاصل از دو شبیه مورد ارزیابی و مقایسه قرار گرفتند. یافته‌ها بیانگر عملکرد بالاتر شبیه شبکه­ی عصبی در ایستگاههای کرمان و راور می‌باشند. اندازه­ی بارندگی سالانه در ایستگاههای کرمان، راور و رابر تا سال 2099، در شبیه شبکه­ی عصبی به ترتیب 86/12، 68/11 و %39/11 و در شبیه SDSM 89/0، 48/18 و %55/1 نسبت به دوره­ی پایه کاهش می یابند.

کلیدواژه‌ها

بارندگی؛ تغییر اقلیم؛ ریزمقیاس کردن؛ شبیه HadCM3

عنوان مقاله [English]

Comparison of Artificial Neural Network and SDSM Methods in the Downscaling of Annual Rainfall in the HadCM3 Modelling (Case study: Kerman, Ravar and Rabor)

نویسندگان [English]

M. Rezaee¹؛ M. Nahtaj²؛ A. Moghadamniya³؛ A. Abkar⁴؛ M. Rezaee⁵

چکیده [English]

       Nowadays, it is believed that anthropogenic activities, such as changes in land use and deforestation, have resulted in atmospheric concentrations of greenhouse gases. One consequence of this ruinous activity, is an alteration of the energy balance that tends to warm the atmosphere that has resulted in climate change. Precipitation forecast is one of the most important element in water resources management and planning. In this study, precipitation depth of Kerman, Ravar and Rabor Stations have been predicted using the HadCM3 model outputs under the A2 scenario, SDSM downscaling models and artificial neural network, for three periods: 2010-2039, 2040-2069 and 2070-2099. Precipitation data for the 1971- 2001 period were selected as the base one. The results obtained by using the two models were evaluated and compared according to the statistical criteria. The artificial neural network model showed superior performance for the Kerman and Ravar stations. Annual precipitation of Kerman, Ravar and Rabor stations by 2099, using the AMM model decreases by 12.86, 11.68, and 11.39 percentage points, respectively. These are for 0.89, 18.48, and 1.55 percentage points, respectively, for the same year.

کلیدواژه‌ها [English]

precipitation, Climate Change, Downscaling HadCM3 model

مراجع

1. آبکار، ع.، م، حبیب نژاد. ک. سلیمانی. و ه. نقوی. 1392. بررسی کارایی شبیه SDSM در شبیه‌سازی شاخص‌های دمایی در مناطق خشک و نیمه‌خشک. فصلنامه علمی پژوهشی مهندسی منابع آبیاری و آب. 4(14): 1-17.
2. آشفته، پ.، و ا. حداد. 1392. ارائه رویکرد احتمالاتی ارزیابی اثرات تغییر اقلیم بر منابع آب. مجله مهندسی منابع آب. 6(19):  51-66 .
3. آشفته، پ.، و مساح بوانی. ع.ر. 1389. تأثیر تغییر اقلیم بر دبی‌های حداکثر، مطالعه موردی: حوضه آیدوغموش، آذربایجان شرقی. مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک. 14(53): 25-39.
4. احمدی باصری، ن، ا، شیروانی. م.ج. ناظم‌السادات، 1393. کاربرد شبیه شبکه عصبی مصنوعی در خرد مقیاس نمودن برون داده‌های شبیه GCM برای پیش‌بینی بارش در پهنه جنوبی ایران. نشریه آب و خاک. 28(5): 1037-1047.
5. اخلاقی، ت. و پ، اصلاح. 1384. تحلیل برگشتی در آزمایش SASW با استفاده از شبکه‌های عصبی مصنوعی. دومین کنگره ملی مهندسی عمران، 23-20 اردیبهشت ماه، دانشگاه علم و صنعت.
6. اعلمی، م. ت.، ب، آقا بالایی. م. ح، احمدی، و س، فرزین. 1393. تخصیص بهینه ی نظام‌های منابع آب با استفاده از سامانه ی پویا. مجله مهندسی منابع آب.  7(23): ۹۹ -۱۰۰.
7. باقر زاده چهره، ک. 1384. ارزیابی علامت‌های هواشناسی در پیش‌بینی خشکسالی با استفاده از شبکه‌های عصبی مصنوعی در استان تهران. پایان نامه دوره کارشناسی ارشد، دانشگاه تربیت مدرس، گروه عمران. ص 124.
8. بریم نژاد و. و س.، یزدانی. 1383. تحلیل پایداری در مدیریت منابع آب در بخش کشاورزی با استفاده از برنامه‌ریزی کگروه، مطالعه موردی: استان کرمان. نشریه پژوهش و سازندگی در زراعت و باغبانی. 63: 2-16.
9. بهروزی خزاعی، ن، ت، توکلی. ر. امیری چایجان و م.ه. خوش تقاضا.، 1387. کاربرد شبکه‌های عصبی مصنوعی در در پیش ­بینی محتوای رطوبتی در طی فرآیند خشک ­کردن انگور. مجموعه مقالات پنجمین کنگره ملی مهندسی ماشین‌های کشاورزی و مکانیزاسیون، 7-6 شهریور ماه، دانشگاه فردوسی مشهد. 9 ص.
10. خسروی، م. و ه. شکیبا. 1389. پیش‌بینی بارش با استفاده از شبکه‌های عصبی مصنوعی به منظور مدیریت سیل: مورد منطقه ایرانشهر. مجموعه مقالات چهارمین کنگره بین المللی جغرافیادانان جهان اسلام، 27-25 فروردین ماه، دانشگاه سیستان و بلوچستان. 21 ص.    
11. خوشحال دستجردی، ج، و م. حسینی. 1389. کاربرد شبکه عصبی مصنوعی در شبیه‌سازی عناصر اقلیمی و پیش‌بینی سیکل خشکسالی (مطالعه موردی: استان اصفهان). مجله جغرافیا و برنامه‌ریزی محیطی. 21(39): 107-120.
12. رجبی، ا. 1390.  تحلیل عدم قطعیت تغییر اقلیم به وسیله ی شبیه SDSM در کرمانشاه. چهارمین کنفرانس مدیریت منابع آب ایران، 13 و 14 اردیبهشت ماه، دانشگاه صنعتی امیر کبیر. 12 ص.   
13. سرافروزه، ف، م.، جلالی، ط.، جلالی، و ا، جمالی، 1391. ارزیابی اثرات تغییر اقلیم آینده بر مصرف آب محصول گندم در تبریز. فصلنامه علمی پژوهشی فضای جغرافیایی دانشگاه آزاد اسلامی واحد اهر. 12(37): 81-96.
14. سیاری، ن، ا، علیزاده، م، بنایان اول، ع، فریدحسینی، و حسامی کرمانی م.ر، 1390. مقایسه دو شبیه گردش عمومی جو(HadCM3, CGCM2) در پیش‌بینی فراسنجهای اقلیمی و نیاز آبی گیاهان تحت تغییراقلیم، مطالعه موردی: حوضه کشف‌رود. نشریه آب و خاک. 25(4): 912-925.
15. شاه نقی، ن، م، پارسی نژاد، ش، عراقی نژاد، و ف. میرزایی،  1389. تأثیرات پتانسیل تغییر اقلیم بر تبخیر و تعرق، مطالعه موردی: دشت مشهد. اولین همایش ملی مدیریت منابع آب اراضی ساحلی، 18-17 آذر ماه، دانشگاه علوم کشاورزی و منابع طبیعی ساری. 10 ص.
16. شاه نقی، ن. م، پارسی نژاد. ش، و، عراقی نژاد. ف، میرزایی. 1390. تغییر اقلیم و تأثیر آن بر منابع و مصارف آب. چهارمین کنفرانس مدیریت منابع آب ایران، 14-13 اردیبهشت ماه، دانشگاه صنعتی امیر کبیر، 11 ص.
17. صلاح الدین، م، ذ.ا، خانی تملیه.، باطنی، م.م. و ن، مرتضوی. 1392. پیش‌بینی بارش و دما در حوضه دریاچه ارومیه با استفاده از شبیه HadCM3. دوازدهمین همایش ملی آبیاری و کاهش تبخیر کرمان، 5 و 6 شهریورماه، دانشگاه شهید باهنر کرمان.
18. صمدی، س.ز. و ع، مساح‌ بوانی. 1387. معرفی روش شبکه ‌عصبی مصنوعی و SDSM به منظور کوچک ‌مقیاس کردن آماری داده‌های دما و بارندگی. سومین کنفرانس مدیریت منابع آب ایران، 25-23 مهر ماه، دانشگاه تبریز. 9ص.
19. طلوعی، س. ع، حسین‌زاده دلیر. م.ع، قربانی. ا، فاخری‌فرد. و ف، سلماسی. 1390. تخمین زمانی و مکانی بار معلق رودخانه آجی‌چای با استفاده از زمین آمار و شبکه عصبی مصنوعی. . نشریه  دانش آب و خاک. 21(4): 93-104.
20. عباسی، ف، ش، ملبوسیان. ا، بابائیان. و م، اثمری. 1389. پیش‌بینی تغییرات اقلیمی خراسان جنوبی در دوره 2039-2010 میلادی با استفاده از ریز‌مقیاس نمایی آماری خروجی شبیه  ECHO-G. نشریه آب و خاک (علوم و صنایع کشاورزی). 24(2): 218-233.
21. ح، غضنفرپور. م، کمانداری. و م، محمدی سلیمانی. 1392. تأثیر عوامل جغرافیایی در الگوی مساکن روستایی استان کرمان. فصل‌نامه جغرافیا و برنامه‌ریزی شهری چشم انداز زاگرس. 5(18): 125-142.
22. فاتحی مرج، ا و م.ح، مهدیان. 1388. پیش‌بینی بارش پاییزه با استفاده از شاخص‌های آنسو به روش شبکه عصبی در حوضه دریاچه ارومیه. مجله پژوهش‌های آبخیزداری (پژوهش و سازندگی). 84: 42-52.
23. فتاحی، ا، ع، صداقت کردار. و م، دلاور. 1387. پیش­بینی بلند مدت بارش با استفاده از شبکه­های عصبی مصنوعی (مطالعه موردی: جنوب غرب ایران ). مجله پژوهش و سازندگی در منابع طبیعی. 80: 44-50.
24. فتح‌آبادی، ا، ع.، سلاجقه، و م، مهدوی. 1387. پیش­بینی دبی رودخانه با استفاده از روش نوروفازی و شبیه‌های گروه زمانی. مجله علمی پژوهشی  علوم و مهندسی آبخیزداری ایران. 2 (5): 21-27.
25. فرخ‌نیا، ا. و س، مرید. 1388. تحلیل عدم قطعیت شبیه‌های شبکه عصبی و نروفازی در پیش‌بینی جریان رودخانه. نشریه تحقیقات منابع آب ایران. 5 (3): 14-27.
26. فلاح ‌قالهری، غ، و ج، خوشحال. و م، حبیبی نوخندان. 1389. کاربرد منطق فازی و وایازی چند ‌‌متغیره در پیش‌بینی بلند‌مدت بارش بهاره، مطالعه موردی: استان خراسان رضوی. مجله علمی پژوهشی علوم و مهندسی آبخیزداری ایران، 12: 37-52.
27. مساح ‌بوانی، ع. و س،مرید. 1384. اثرات تغییر اقلیم بر جریان رودخانه زاینده رود. مجله علوم و فنون کشاورزی و منابع طبیعی.9(4): 17-27.
28. مدرسی، ف، ش، عراقی نژاد. ک، ابراهیمی. و م، خلقی. 1390. بررسی اثر تغییر اقلیم بر میزان آبدهی سالانه رودخانه‌ها آزمون‌های آماری، مطالعه موردی: رودخانه گرگانرود. نشریه آب و خاک، 25 (6): 1365-1377.
29. مقدم، س، ذ، خانی تملیه. م، باطنی. و م،منتصری. 1391. تأثیر پیامدهای تغییر اقلیم بر پیامدهای هواشناسی و آبشناسی (مطالعه موردی دریاچه ارومیه). اولین کنفرانس ملی راهکارهای دستیابی به توسعه پایدار، 16 و 17 اسفند ماه. تهران.
30. مهسافر، ح، ر، مکنون. و ب، ثقفیان. 1390. اثرات تغییر اقلیم بر بیلان آبی دریاچه ارومیه. مجله تحقیقات منابع آب ایران. 7(1): 37-58.

31.Aksoy, H., and A. Dahamsheh, 2009. Artificial neural network models for forecasting monthly precipitation in Jordan. Stoch Environ Res Risk Assess. 23: 917-931.

32.Alison, L. K., G.J. Richard and  S. R. Nicholas 2004. RCM rainfall for UK flood frequency estimation Climate change results. J  Hydrol. 318: 163-172.

33.Gordon, C., C., Cooper, C.A., Senior, H., Banks, J. M., Gregory, T.C., Johns, J.F. Mitchell, and R. A.,Wood. 2000. The simulation of SST, sea ice extents and ocean heat transports in a version of the Hadley Centre coupled model without flux adjustments. Clim Dy. 16: 147-168.

34.Harpham, C., and R. L.Wilby. 2005. Multi-site downscaling of heavy daily precipitation occurrence and amounts.  J Hydrol. 312: 235-255.

35.Khan, MS, P., Coulibaly. and Y. b., Dibike. 2006. Uncertainty analysis of statistical downscaling methods. J Hydrol. 319: 357-382.

36.Marier, H.R., and G.C.,Dandy. 2000. Neural networks for the prediction and forecasting of water resources variables: a review of modeling issues and application. Environ. Mode. and Soft. 15: 101-124.

37.McCulloch, W.S. and W. Pitts. 1943. A logic calculus of the ideas immanent in nervous activity. Bull. Math. Biophys. 5: 115–133.

38.Wilby, R.L. and C.W. Dawson. 2008. Using SDSM Version 4.2- A decision support tool for the assessment of regional climate change impacts. User manual. 94 P.

39.Wilby, R.L. and M. D. Dettinger, 2000. Stream flow changes in Sierra Nevada, California, simulated using a statistically downscaled general circulation model scenario of climate change: Linking climate change to land surface change. Kluwer Academic Publishers,the Netherlands. 120 P.

40.Xu, C.Y. 1999. From GCMs to river flow: A review of downscaling methods andhydrologic modeling approaches. Prog phys Geogr 23: 229-249.

41.Zhang, X, W., Liu. Z, Li. and J. Chen, 2005. Trend and uncertainty analysis of simulated climate change impacts with multiple GCMs and emission scenarios method. Clim Res. 28: 109-122.