این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهشنامه مدیریت حوزه آبخیز، جلد ۱۱، شماره ۲۲، صفحات ۲۰-۳۰
عنوان فارسی پیش بینی میزان رواناب رودخانه زرینه رود در شرایط تغییر اقلیم با استفاده از شبکه های عصبی مصنوعی
چکیده فارسی مقاله در پژوهش حاضر، تاثیر تغییر اقلیم بر تغییر رواناب سطحی زرینه­رود واقع در دشت میاندوآب مورد بررسی قرار گرفت. در این راستا، سناریوهای A1B، A2 و B1 از طریق مدل ریزمقیاس­ نمایی LARS-WG و با به­ کاربردن مدل گردش عمومی جو HadCM3 و مدل شبکه عصبی مصنوعی در دو دوره زمانی مختلف (2065-2046، 2099-2080) مورد مطالعه قرار گرفتند. بدین­منظور بهترین ترکیب پارامترهای ورودی مدل شبکه عصبی مصنوعی MLP جهت برآورد رواناب از میان پارامترهای هواشناسی مختلف با تاخیر صفر و یک روز و پارامتر رواناب با تاخیر یک روز انتخاب گردید. سپس از داده ­های هواشناسی پیش ­بینی ­شده توسط مدل اقلیمی LARS-WG در سال­های آینده به­عنوان ورودی مدل شبکه عصبی منتخب استفاده شده و در ادامه رواناب پیش­ بینی گردید. نتایج ارزیابی داده­های مشاهداتی و شبیه ­سازی ­شده توسط مدل  LARS-WG با استفاده از شاخص­ های آماری و خطاسنجی مختلف بیانگر این است که اختلاف معنی­ داری بین مقادیر شبیه ­سازی شده و مشاهداتی وجود ندارد. تحلیل عملکرد مدل شبکه عصبی مصنوعی نیز حاکی از دقت خوب و مناسب این مدل در شبیه ­سازی تغییرات رواناب در حوضه مورد بررسی است. نتایج نشان داد که متوسط رواناب سالانه در دوره 2065-2046 نسبت به دوره پایه در حدود 4/62 متر مکعب بر ثانیه افزایش و در دوره 2099-2080 نسبت به دوره پایه در حدود 14/7 مترمکعب بر ثانیه کاهش خواهد یافت.  
کلیدواژه‌های فارسی مقاله تغییر اقلیم، رواناب سطحی، شبکه عصبی مصنوعی، مدل ریزمقیاس نمایی، مدل گردش عمومی
عنوان انگلیسی Prediction of Zarrinehrud River Run-Off in the Climate Change Condition using Artificial Neural Networks
چکیده انگلیسی مقاله    In the present research, the climate change effect on variation of surface runoff of Zarrinehrud located in the Miandoab plain was investigated. In this direction, the scenarios including A1B, A2 and B1 via LARS-WG downscaling model and with applying the HadCM3 general circulation model and artificial neural network model in two different periods (2046-2065, 2080 -2099) were studied. For this purpose, the best combination of input parameters of the MLP artificial neural network model was selected to estimate the runoff among various meteorological parameters with time delay of zero and one day and runoff parameter with one-day delay. Then, the meteorological data predicted by the LARS-WG in the future were used as inputs for the selected neural network model and consequently the runoff was predicted. The comparison of results between observed and simulated data by LARS-WG model using different statistical and error measurement indices indicates that there is no significant difference between simulated and observed values. Performance analysis of the artificial neural network model indicates that the mentioned model has good and suitable accuracy to simulate the runoff variations in the studied area. The results showed that the average annual runoff in the period of 2046-2065 will increase about 4.62 CMS than base period and it will decrease about 14.7 CMS during the period 2080-2099 compared to the base period.  
کلیدواژه‌های انگلیسی مقاله Artificial Neural Network, Climate Change, HadCM3, LARS-WG, Surface Runoff
نویسندگان مقاله مینا آقاجانزاده سراسکانرود | Mina Aghajanzadeh Saraskanroud
Urmia university
گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه

جواد بهمنش | Javad Behmanesh
Urmia university
گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه

حسین رضایی | Hossein Rezaie
Urmia university
گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه

نسرین آزاد | Nasrin Azad
Urmia university
گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه

نشانی اینترنتی http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-522-2&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده هیدرولوژی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات