تغییر اقلیم موجب تغییراتی در میزان دما و بارش می‌شود و در نتیجه دبی رودخانه‌ها را تحت تأثیر قرار می‌دهد. تغییرات بارش ناشی از تغییر اقلیم می‌تواند به کمک مدل‌های گردش عمومی جو تحت سناریوهای مختلف اقلیمی شبیه‌سازی شود اما بررسی تغییرات دبی رودخانه نیازمند کاربرد مدل‌های بارش- رواناب است. به منظور تشخیص روند تغییرات دبی ناشی از تغییراقلیم، حوضه آبریز گالیکش از حوضه‌های سیل‌خیز دراستان گلستان به عنوان منطقه مطالعاتی درنظر گرفته شد. دما و بارش برای دوره اقلیمی آتی (2030-2011) براساس مدل گردش عمومی جو HADCM3 توسط مدل مولد داده LARS-WG تحت سناریوهای مختلف اقلیمی تولید و به عنوان ورودی به مدل واسنجی شده IHACRES وارد شد تا دبی برای دروه‌های اقلیمی آینده شبیه‌سازی شود. نتایج تحلیل تغییر اقلیم نشان می‌دهد در منطقه مورد مطالعه تحت سناریوهای مختلف، دمای هوا در ماه‌های مختلف سال افزایش پیدا کند که افزایش در ماه‌های گرم سال بیشتر از سایر ماه‌های سال است اما متوسط مجموع بارش سالانه کاهش می‌یابد. از آزمون من-کندال برای تشخیص روند سری‌های زمانی فصلی و نیمه‌سالانه دبی ‌استفاده و نتایج نشان داد تحت سناریوهای مختلف اقلیمی، دبی در فصل بهار و نیمه اول سال در سطح 5 درصد بدون روند ولی در دیگر فصل‌های سال و نیمه دوم سال دارای روندی کاهشی می‌باشد. تفاصيل المقالة

شبکه‌های عصبی مصنوعی یکی از روش‌های داده‌کاوی است که توسط پژوهشگران زیادی در حوزه‌های مطالعاتی مختلفی همچون مدلسازی آماری بارش-رواناب استفاده می‌شود. جهت بهبود عملکرد این شبکه‌ها، شبکه‌های عصبی یادگیر عمیق توسعه یافته‌اند تا دقت مدلسازی را افزایش دهند. پژوهش حاضر به‌ منظور ارزیابی شبکه‌های یادگیرعمیق در بهبود عملکرد شبکه‌های عصبی‌مصنوعی در حوضه آبریز گالیکش انجام شد تا بر اساس داده‌های بارش و دما با گام‌های تاخیر زمانی ۱ تا ۵ ماهه، دبی در مقیاس زمانی ۱، ۳، ۶ و ۱۲ ماهه پیش‌بینی شود. نتایج مدل‌سازی بر اساس ۷۰ درصد داده‌ها (آموزش) و ۳۰ درصد داده‌ها (آزمون) نشان داد که در تمامی دوره‌های زمانی، شبکه عصبی یادگیر عمیق باعث بهبود عملکرد شبکه عصبی مصنوعی شده است و بطور متوسط RMSE در داده‌های آموزش از ۶۸/۰ به ۶۵/۰ و درداده‌های آزمون از ۸۴/۰ به ۷۳/۰ کاهش یافته است و ضریب تعیین نیز بطور متوسط برای داده‌های آموزش از ۵۷/۰ به ۶۲/۰ و برای داده‌های آزمون از ۵۱/۰ به ۶۷/۰ افزایش یافته است. از دیگر نتایح این پژوهش نیز می‌توان به تاثیر دما بر افزایش دقت مدلسازی بارش- رواناب اشاره کرد. تفاصيل المقالة

در این مطالعه، شبکه‌‌های وایازی کلی (GRNN) و پرسپترون چند لایه‌ای (MLP) برای برآورد بیشترین ژرفای آبشستگی مورد بهره‌وری قرار گرفتند. الگوریتم‌های Levenberg-Marquardt و Momentum به عنوان الگوریتم‌های آموزشی، و دو تابع Tanh و Sigmoid نیز به عنوان توابع فعال‌ساز در این پژوهش جهت ساختن شبیه های عصبی به کار رفتند. تاکنون مطالعات گسترده‌ای در زمینه‌ی‌ استفاده از شبیه‌های مختلف شبکه‌ی عصبی جهت برآورد بیشترین ژرفای آبشستگی اطراف پایه‌های پل صورت گرفته است که بیشتر این پژوهش‌ها دارای دو مشکل عمده بوده‌اند: در نظر گرفتن شکل استوانه‌ای به عنوان پایه‌های پل، و استفاده از اطلاعات آزمایشگاهی برای ساختن شبیه‌ها از مهمترین کاستی‌های مطالعات صورت گرفته در زمینه‌ی برآورد بیشترین ژرفای آبشستگی اطراف پایه های پل به حساب می‌آیند. بر همین اساس، در این پژوهش علاوه بر شکل استوانه‌ای از اشکال مستطیلی، گرد گوشه و نوک تیز نیز استفاده شده است. همچنین برای ساختن و صحت‌سنجی شبیه‌ها از اطلاعات واقعی، که مشتمل بر 475 داده‌ی مربوط به آبشستگی اطراف پایه‌های پل بوده بهره‌وری شده است. در این پژوهش، بر خلاف پژوهش‌های گذشته که از روش آزمون و لغزش برای تعیین شمار نرون‌های لایه‌ی مخفی استفاده می‌شد، از الگوریتم ژنتیک جهت این منظور بهره‌وری گردیده است. نتایج مقایسه‌ی شبیه‌های مختلف عصبی نشان-دهنده‌ی دقت بیشتر شبیه GRNN بوده است. برای بررسی کارآیی این شبیه از معادلات تجربی موجود نیز استفاده شد، که از جمله می‌توان به روابط بروسرز و همکاران، فروهلیچ، ملویل و ملویل، و چیو اشاره کرد. نتایج شبیه‌های مختلف نشان دادند که شبیه عصبی ارائه شده از کارآیی بهتری نسبت به روابط موجود برخوردار است. جهت تعیین تاثیر فراسنج‌های مختلف بر آبشستگی از تحلیل حساسیت استفاده شد. نتایج این تحلیل نشان‌دادند که فراسنج سرعت نسبت به دیگر فراسنج‌های مستقل بیشترین تأثیر را بر آبشستگی اطراف پایه‌های پل داراد.   تفاصيل المقالة