تاثیر پارامترهای ورودی ریزمقیاس نمایی با روش هوش مصنوعی در تخمین پارامترهای هیدرولوژیکی، مطالعه موردی: ایستگاه سینوپتیک اردبیل

مقدمه در سال­های اخیر، مواردی از قبیل رشد فعالیت­ های صنعتی، از بین رفتن محیط ­زیست و غیره، منجر به افزایش گازهای گلخانه ­ای و برهم خوردن تعادل اقلیمی شده است که این پدیده با عنوان تغییر اقلیم یاد می­ شود. تاثیر منفی این پدیده در سامانه­ های مختلفی همچون منابع آب، کشاورزی، صنعت و غیره، موجب نگرانی ­هایی برای جوامع بشری شده است. بنابراین، یکی از علت های اصلی نگرانی­ های امروزه، بحث تغییر اقلیم در ارتباط با منابع آب است. تغییر اقلیم و آثار آن، یکی از مهمترین چالش ­های مدیریت منابع آب و انرژی است که باید به صورت جدی بررسی شود و برنامه ­ریزی­ هایی به­ منظور مقابله با آثار آن بر منابع آب صورت گیرد. هدف از این پژوهش، یافتن مناسب ترین مدل تغییر اقلیم برای منطقه و ارزیابی کارایی روش­ های هوش مصنوعی در بررسی پدیده تغییر اقلیم است.   مواد و روش ها یکی از معتبرترین روش­ ها، برای بررسی پارامترهای موثر بر پدیده ­های هیدرولوژیکی تحت تاثیر تغییرات اقلیم، استفاده از مدل­ های گردش عمومی جو (GCM) است. برای استفاده از این مدل­ ها در مقیاس منطقه ­ای، نیاز به انجام عملیات ریزمقیاس ­نمایی است. قبل از انجام فرایند ریزمقیاس نمایی، به ­علت تعداد زیاد پارامترهای حاصل از مدل­ های گردش عمومی زمین، ابتدا باید موثرترین پارامترها از میان آن­ ها انتخاب شود. در این پژوهش، برای تعیین پارامترهای هواشناسی و هیدرولوژیکی ایستگاه سینوپتیک اردبیل، از ۲۵ مدل سری پنجم گزارش IPCC، استفاده شد. برای تعیین مدل برتر از میان مدل های بررسی شده، از شاخص ضریب همبستگی خطی بین مقادیر ماهانه بارش و دمای مشاهداتی با خروجی مدل­ های GCM استفاده شد. همچنین، برای ریزمقیاس نمایی خروجی مدل­ های GCM، از شبکه عصبی مصنوعی استفاده شد. قبل از به کارگیری شبکه عصبی، برای رسیدن به یک شبکه ایده ­آل و بهینه، مناسب­ترین پارامترهای ورودی به شبکه از میان پارامترهای مدل­ های GCM برتر منطقه، با استفاده از ضریب همبستگی خطی، تابع اطلاعات مشترک و درخت تصمیم M۵، بررسی و انتخاب شدند.   نتایج و بحث در این پژوهش، برای بررسی عدم قطعیت مدل‎ های GCM، ۲۵ مدل از سری پنجم IPCC، مورد بررسی قرار گرفتند. نتایج بیانگر آن بود که سه مدل MRI-CGCM۳ ،CMCC-CMS و MPI-ESMMR، مناسب ترین ضرایب همبستگی را در ایستگاه سینوپتیک اردبیل ارائه می کنند. نتایج حاصل برای تعیین مناسب ­ترین پارامترهای ورودی، به منظور ریزمقیاس نمایی با استفاده از سه روش ضریب همبستگی خطی، تابع اطلاعات مشترک و درخت تصمیم M۵ نشان داد که الگوریتم درخت تصمیم، مناسب­ ترین پارامترها را برای منطقه مورد نظر ارائه می کند. همچنین، نتایج حاصل از ریزمقیاس ­نمایی با شبکه عصبی با استفاده از متغیرهایی که با روش درخت تصمیم انتخاب شدند، عملکرد مناسب این روش را در انتخاب پارامترهای موثر ورودی شبکه عصبی نشان داد. به­ طوری­که پارامترهای انتخاب شده مدل MRI-CGCM۳، به عنوان ورودی شبکه عصبی در روش ریزمقیاس نمایی پاسخ ­های بهتری را ارائه داده است. نتایج به دست آمده با استفاده از پارامترهای انتخاب شده مدل MRI-CGCM۳ نشان داد که در پارامتر بارش، مقدار DC، RMSE و CC برای داده­ های آزمون، به ترتیب ۰.۳۹، ۰.۴۰ و ۰.۶۳ به دست آمده و در پارامتر دما، مقدار DC، RMSE و CC برای داده­ های آزمون مدل برتر، به ­ترتیب ۰.۹، ۰.۰۳ و ۰.۹۵ بوده است.   نتیجه­ گیری عملکرد شبکه ­های ریزمقیاس نمایی، به شرایط اقلیمی منطقه وابسته است. برتری یک مدل در یک پژوهش، نمی­ تواند یک استدلال صحیح برای انتخاب آن مدل در تمامی مناطق باشد. بهتر است برای دست­یابی به یک مدل بهینه، از مدل­ های متنوع گردش عمومی زمین در منطقه استفاده شود. انجام چنین پژوهش هایی، می ­تواند پژوهشگران را برای بررسی پدیده های مختلف هیدرولوژیکی که ممکن است در آینده رخ دهد و عواقب جبران ناپذیری داشته باشد، کمک شایانی کند.

Keywords:

تابع اطلاعات مشترک , درخت تصمیم , شبکه عصبی مصنوعی , ضریب همبستگی خطی , مدل های GCM