ارزیابی اثرات تغییر اقلیم بر منابع آب حوضه آبریز لار با استفاده از مدل SWAT و مقایسه نتایج آن با شبکه‌های بیزین و مدل‌های هوشمند هیبریدی

الموضوعات :

مهسا سلیمانی‌پور ¹ , امیرپویا صراف ²

1 - دانشجوی کارشناسی ارشد مهندسی عمران، واحد رودهن، دانشگاه آزاد اسلامی، رودهن، ایران
2 - استادیار گروه مهندسی عمران، واحد رودهن، دانشگاه آزاد اسلامی، رودهن، ایران

تاريخ الإرسال : 22 الخميس , جمادى الثانية, 1442 تاريخ التأكيد : 22 الخميس , جمادى الثانية, 1442 تاريخ الإصدار : 06 الإثنين , جمادى الأولى, 1442

الکلمات المفتاحية: آنالیز حساسیت, تغییر اقلیم, مدل LARS-WG, مدل SWAT, مدل موجک - شبکه عصبی مصنوعی, شبکه‌های بیزین,

ملخص المقالة :

قرار گرفتن ایران بر کمربند خشک و نیمه‌خشک دنیا و همچنین سوء مدیریت منابع آبی، سبب ایجاد وضعیت هشدار دهنده کمبود آب در بسیاری از مناطق کشور شده است. پژوهش حاضر آثار ناشی از تغییر اقلیم را بر دما، بارندگی و رواناب در دوره‌های آتی با کمک مدل آماری LARS-WG و مدل مفهومی هیدرولوژیکی SWAT برای حوضه آبریز لار مورد ارزیابی قرار می‌دهد. برای تخمین میزان دبی جریان رودخانه، به بررسی قابلیت عملکرد شبکه بیزین و مدل ترکیبی موجک - شبکه عصبی هم پرداخته می‌شود. پس از واردکردن اطلاعات بارش و دمای منطقه، نسبت به شبیه‌سازی رواناب برای دو ایستگاه هیدرومتری گزلدره و پلور اقدام شده و رواناب خروجی ایستگاه پلور به‌عنوان نقطه کنترل بین سال‌های (۱۹79-۲۰۱8) مورد واسنجی و اعتبارسنجی قرار گرفت. به‌منظور ارزیابی کارایی از معیارهای ضریب تبیین و نشر - سا تکلیف استفاده شده است. طبق پیش‌بینی مدل‌های اقلیمی، بیشترین افزایش دما در دوره انتهایی و تحت سناریوی اقلیمی RCP8.5 حدود ۱۰ درصد افزایش دما در فصل بهار و زمستان را نشان می‌دهد. در نهایت از بین این مدل‌ها، مدل فیزیکی با پیش‌بینی متوسط سالیانه 6.04 مترمکعب بر ثانیه با توجه به دوره مشاهداتی، کاهش رواناب را نشان داد.

المصادر:

1- افخمی‌فر س. صراف ا پ. (1399): پیش‌بینی تراز سطح آب زیرزمینی آبخوان دشت ارومیه با استفاده از مدل هیبرید تبدیل موجک - ماشین یادگیری بیشینه و بهینه‌سازی با ازدحام ذرات کوانتومی، نشریه علمی - پژوهشی مهندسی و مدیریت آبخیز، دوره 12، شماره 2، تابستان 1399، صص 351-364.

2- جیحونی ا. محمدی م‌ع. اسلامیان س‌س. زارعیان م‌ج (1397): ارزیابی اثر تغییر اقلیم بر تراز آب زیرزمینی با استفاده از روش‌های هوش مصنوعی (مطالعه موردی: دشت شبستر)، اولین کنفرانس ملی مهندسی زیرساخت‌ها (دانشگاه ارومیه).

3- رجایی ط. شهابی. (1393): کاربرد مدل ترکیبی موجک - شبکه عصبی در پیش‌بینی تغییرات کوتاه مدت تراز سطح دریا (مطالعه موردی: بندر چابهار)، نشریه علمی - پژوهشی دریا فنون. دوره 1. شماره 2. صص 42-53.

4- سلیمانی‌پور م. صراف ا پ. (1398): ارزیابی اثرات تغییرقلیم بر منابع آب حوضه آبریز لار با استفاده از مدل SWAT و مقایسه نتایج آن با شبکه‌های بیزین و مدل‌های هوشمند هیبریدی، پایان‌نامه کارشناسی ارشد، رشته مهندسی عمران، دانشگاه آزاد اسلامی واحد رودهن.

5- مرادی ح ر. آذریم. ثقفیان ب. فرامرزیم. (1392): ارزیابی اثرات هیدرولوژیکی تغییر اقلیم در حوضه آبخیز گرگانرود، نشریه آب و خاک، شماره 3، صص 537-547.

6- نوریم. میرحسینی سم. زینال‌زاده م ب. (1386): الگوی جدید بارش - رواناب حوضه آبریز هلیل‌رود با استفاده از مدل هیبرید موجک - شبکه عصبی مصنوعی. نشریه زمین‌شناسی مهندسی، جلد ۲، شماره ۲: صص ۴۷۲-۴۵۱.

 

7- Banihabib, M. E. Arabi, A. And Salha, A. A. (2015): A Dynamic Artificial Neural Network For Assessment Of Land-Use Change Impact On Warning Lead-Time Of Flood. International Journal Of Hydrology Science And Technology. 5(2): Pp. 163-178.

8- Baran, E. And Jantunen. (2004): Stakholders Consultationfor Bayesian Decision Systems In Environmental Management, Proceeding Of The Regional Conference On Ecological And Environmental Modeling (ECOMOD 2004), Universiti Stans Malaysia.

9- Kazemi, D. H. Rasul, G. Li, J. And Cheema. S. B. (2014): Comparative Study For ECHAM5 And SDSM In Downscaling Temperature For A Geo-Climatically Diversified Region. Pakistan. Applied Mathematics. 5: Pp. 137-143.

10- Lotfimanesh, B. And Barani, G.A. (2019): Optimal Utilization Of Surface Waters Due To Climate Change Effect By Genetic Algorithm (Case Study Of Zayandeh-Rood Basin), 5th Annual National Conference On Civil Engineering. Architecture And Design Of Iran. Mashhad Scientific Institute And Research, Mashhad, Iran (In Persian).

11- Maheswaran, R And Khosa, R. (2013): Long Term Forecasting Of Groundwater Levels With Evidence Of Nonstationary And Nonlinear Characteristics. Computers & Geosciences. 52: Pp. 422-436.

12- Moazami Goudarzi F. Sarraf A. P. And Ahmadi H. (2020): Prediction Of Runoff Within Maharlu Basin For Future 60 Years Using RCP Scenarios. Arabian Journal Of Geosciences, (2020) 13: Pp. 605, 1-17.

13- Moazami Goudarzi F. Sarraf A. P. And Ahmadi H. (2020): Assessment Of SM2RAIN-ASCAT And CMORPH Satellite Precipitation Products Over Maharlu Lake Basin In Iran. Water Supply (2020) 20 (5): Pp. 1799-1806.

14- Moosavi, V. Vafakhah, M. Shirmohammadi, B. And Ranjbar, M. (2014): Optimization Of Wavelet-ANFIS And Wavelet-ANN Hybrid Models By Taguchi Method For Groundwater Level Forecasting. Arabian Journal For Science And Engineering, 39(3): Pp. 1785-1796.

15- Souvignet, M. Gaese, H. Ribbe, L. Kretschmer, N. And Oyarzun, R. (2010): Statistical Downscaling Of Precipitation And Temperature In North- Central Chile: An Assessment Of Possible Climate Change Impacts In An Arid Andean Watershed. Hydrological Sciences Jornal. 55(1): Pp.  41-57.

16- Zamani, R. Akhund Ali, A. And Roozbahani, M. A. (2019): Investigating The Impact Of Climate Change On Runoff Under Different Probabilistic Levels Using The Uncertainty Approach (Case Study: Yellow River Basin). Irrigation Science And Engineering, In Press (In Persian).