بررسی اثرات تغییرات اقلیم بر منابع آب با استفاده از روش نروفازی و شبکه های عصبی مصنوعی (مطالعه موردی: رودخانه پل رود در استان گیلان، ایران)

رودخانه پلرود بزرگترین رودخانه جاری در شرق استان گیلان است. این رودخانه نقش مهمی در آبیاری مزارع و باغات شرق گیلان دارد. بنابراین پیش بینی و ارزیابی اثرات تغییر اقلیم در این حوضه آبریز از اهمیت خاصی برخوردار بوده و طراحان و مدیران این منطقه را برای داشتن فعالیت های مناسب در حفظ منابع آب آگاه می‌سازد. یکی از روشهای پیش بینی تغییرات اقلیمی استفاده از خروجی‌های مدلهای جهانی اقلیم (GCM) است. اما مقیاس آنها برای ارزیابی اثرات تغییر اقلیم در یک سطح محلی، بسیار بزرگ است. لذا به منظور استفاده در مطالعات منطقه‌ای باید از روشهای ریزمقیاس نمایی استفاده نمود. در این مطالعه، ریزمقیاس نمایی به کمک نرم‌افزار ASD و با استفاده از داده‌های بارندگی، درجه حرارت حداقل، میانگین و حداکثر روزانه دو ایستگاه رشت و بندرانزلی انجام شد. این دو ایستگاه جزء نزدیکترین ایستگاه‌ها به منطقه مورد مطالعه می‌باشند که آمار ۳۰ ساله آنها (۱۹۹۰-۱۹۶۱) در دست است و به این علت در این تحقیق مورد استفاده قرار گرفتند. پس از آن با بکارگیری خروجی‌های دو مدل CGCM۳A۲ و HadCM۳A۲ کار پیش‌بینی پارامترهای درجه حرارت و بارش برای دوره‌های ۲۰۴۰-۲۰۱۱، ۲۰۷۰-۲۰۴۱ و ۲۱۰۰-۲۰۷۱ انجام شد. در ادامه با بکارگیری سیستم استنتاج فازی عصبی تطبیقی(ANFIS) و شبکه عصبی مصنوعی (ANN) و با استفاده از داده‌های پیش بینی شده دما و بارش و همچنین داده‌های دبی مشاهداتی ایستگاه هیدرومتری طول‌لات، مدل هایی برای شبیه سازی اثر این تغییر اقلیم بر روی دبی این رودخانه ساخته شد. در این روش ها پس از انتخاب تصادفی داده ها، ساختار بهینه مدل در هر دو روش با استفاده از داده های ورودی و خروجی و به روش سعی و خطا تعیین و سپس اقدام به پیش بینی دبی گردید.

مقایسه پارامترهای اقلیمی‌ مشاهداتی و شبیه سازی شده حاکی از آن است که ASD در مدلسازی دما توانایی بالایی از خود نشان داده است. ضریب تعیین (R۲) به‌دست آمده در مرحله کالیبراسیون مربوط به ایستگاه رشت، از ۷۸/۰ (برای پارامتر درجه حرارت حداقل با استفاده از مدل HadCM۳) تا ۰/۹۰ (برای پارامتر درجه حرارت میانگین با استفاده از مدل CGCM۳) و برای ایستگاه بندرانزلی که از مقادیر بالاتری نسبت به ایستگاه رشت برخوردار است، از ۰/۸۶ (برای پارامتر درجه حرارت حداقل با استفاده از مدل HadCM۳) تا ۰/۹۲ (برای پارامتر درجه حرارت میانگین با استفاده از مدل CGCM۳)، متغیر می‌باشد. میزان R۲ به‌دست آمده در همه پارامترهای درجه حرارت برای مدل CGCM۳ از مقادیر بالاتری نسبت به مدل HadCM۳ برخوردار می‌باشد.ضریب تعیین به‌دست آمده برای پارامتر بارش در مقایسه با پارامترهای درجه حرارت از مقادیر کمتری برخوردار بودند. این مقادیر برای ایستگاه رشت برای دو مدل HadCM۳ و CGCM۳ به‌ترتیب ۰/۱۸ و ۰/۲۸ و برای ایستگاه بندرانزلی برای دو مدل HadCM۳ و CGCM۳ به‌ترتیب ۰/۲۱ و ۰/۳۰ به‌دست آمدندکه همانند پارامترهای درجه حرارت، برای پارامتر بارش نیز، R۲ به‌دست آمده از مدل CGCM۳ و ایستگاه بندرانزلی دارای مقادیر بالاتری بودند. مقادیر پیش‌بینی شده برای پارامترهای درجه حرارت برای هر سه دوره سی‌ساله آینده در اکثر موارد دارای روند افزایشی بودند. میزان این افزایش در مورد پارامتر درجه حرارت حداکثر و با استفاده از مدل CGCM۳ برای ایستگاه رشت به میزان ۴۸/۰، ۰/۸۸ و ۱/۳۳ و برای ایستگاه بندرانزلی به‌میزان ۷۰/، ۱/۰۷ و ۱/۵۵ درجه سانتی‌گراد می‌باشد. در مورد شاخص درصد روزهای مرطوب و میانگین پارامتر بارش با استفاده از مدل CGCM۳، برای ایستگاه رشت تقریبا در اکثر ماه‌ها روند کاهشی، و برای ایستگاه بندرانزلی در ماه‌های سرد روند کاهشی و در ماه‌های گرم روند افزایشی مشاهده شد. در پیش‌بینی دبی با کمک شبکه عصبی مصنوعی و نرو فازی که با استفاده از هر دو مدل CGCM۳ و HadCM۳ انجام گرفت، با توجه به ارزیابی مدل‌ها در هر دو روش، این نتیجه حاصل شد که هر دو روش نتایجی مشابه با خطای کم می‌دهد. نتایج حاصل از پیش‌بینی دبی در هر دو روش، نشان از کاهش دبی در ماه‌های گرم سال و افزایش دبی در ما‌ه‌های سرد سال داشت که این افزایش و کاهش در اواخر قرن شدیدتر از اوایل آن می‌باشد. در هر دو روش، روند تغییرات تقریبا مشابه است ولی مقدار و دامنه این تغییرات متفاوت است. در شبیه‌سازی دبی با استفاده از روش شبکه عصبی بیشترین میزان افزایش دبی در هر سه دوره آتی مربوط به ماه‌‌های سرد سال (ژانویه، فوریه و مارس) و به‌ترتیب دوره‌ها به‌میزان ۳۰/۴۱، ۲/۱ و ۳/۶۴ مترمکعب بر ثانیه است. این در حالیست که ماه‌های دیگر با کاهش یا بدون تغییر در دبی مواجه هستند. به طوری که بیشترین کاهش در هر سه دوره در ماه‌‌های آوریل، می و جون و به‌ترتیب دوره‌ها به‌میزان ۰/۰۰، ۰/۴۱ و ۱/۳۹ مترمکعب بر ثانیه است و سپس در ماه‌‌های اکتبر، نوامبر و دسامبر کاهش به‌ترتیب دوره‌ها به‌میزان ۸۸/۰، ۵۹/۰ و ۹۵/۰ است. در شبیه‌سازی دبی با استفاده از روش نروفازی روند افزایش یا کاهش دبی در اکثر ماه‌ها مشابه روش شبکه عصبی است با این تفاوت که میزان افزایش دبی در ماه‌های سرد سال در سه دوره آتی به‌ترتیب دوره‌ها به‌میزان ۲/۰۰، ۳/۳۹ و ۴/۶۱ و میزان کاهش دبی در ماه‌های آوریل، می و جون به‌ترتیب دوره‌ها به‌میزان ۲/۰۰، ۰/۰۰ و ۰/۸۰ می‌باشد.