مقایسه مدل‌های سری زمانی و شبکه عصبی با نتایج سناریوهای انتشار در پیش‌بینی بارندگی

آب و خاک

مقاله 9، دوره 29، شماره 4، آبان 1394، صفحه 943-953   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v0i0.32168

نویسندگان

سحر بابایی حصار^{* 1}؛ رضا قضاوی²

¹دانشگاه سراسری کاشان

²دانشگاه کاشان

چکیده

بارش از مهمترین پارامترهای اقلیمی اثرگذار بر رژیم هیدرولوژیکی حوضه‌های آبخیز است. روش‌های مختلفی جهت پیش‌بینی میزان بارش ارائه شده است که از جمله آنها می‌توان به مدل‌‌‌های سری زمانی و شبکه عصبی مصنوعی اشاره نمود. این مدل‌ها بدون در نظر داشتن مسئله گرمایش جهانی و تغییر اقلیم پارامترهای اقلیمی را پیش‌بینی می‌کنند. هدف از انجام این مطالعه بررسی انطباق نتایج مدل‌های سری زمانی و شبکه عصبی مصنوعی با سناریوهای اقلیمی است. جهت انجام این مطالعه، ابتدا از میان مدل‌های مختلف سری زمانی بهترین مدل در برآورد متغیر بارندگی انتخاب گردید و با استفاده از 50 سال (1961 تا 2010) آمار بارندگی ایستگاه‌های سینوپتیک ارومیه تبریز و خوی، مقدار متغیر مذکور برای 18 سال آینده (2011 تا 2029) تولید شد. در گام بعد با استفاده از شبکه عصبی مصنوعی نیز مقدار بارندگی برای همان سال‌ها پیش‌بینی گردید. در نهایت نتایج این مدل‌ها، با داده‌های تولید شده تحت دو سناریوی B1 و A2 در مدل LARS-WG مقایسه شد. طبق نتایج بدست آمده معلوم شد شبکه عصبی مصنوعی تطابق بیشتری با مدل‌های جهانی اقلیم (GCM) دارد. مدل TS برخلاف سایر مدل‌های مورد استفاده یک روند نزولی برای بارندگی‌ پیش‌بینی کرده است.

کلیدواژه‌ها

ایستگاه سینوپتیک؛ بارندگی؛ تغییر اقلیم؛ مدل‌های اقلیمی؛ LARS-WG

مراجع

1- Ahmadi F. 2004. Prediction of annual Rainfall using Time Seri in Khorasan, MA thesis. Ferdowsi Mashhad University, 284 P. (In Persian with English abstract).

2- Aivazi M., and Mosaedi A. 2010. Comparison of monthly rainfall forecasting based on time series ARMA and nonlinear functions in meteorological stations of Naharkhoran Gorgan. Second National Conference of Integrated Water Resources Management, Kerman. (In Persian).

3- Ashofteh P., and Massah B. A. 2010. The impact of climate change on Maximum discharge, Case study, Aydughmush basin West Azerbaijan. Journal of Science and Technology Agriculture and Natural Resource, 53:25-39. (In Persian).

4- Barbulescu A., and Pelican E. 2008. On the sulina precipitation data analysis using the ARMA models and a Neural Network technique. Proceedings of the 10th Wseas International Conference on Mathematical and Computational Method in Science and Engineering.

5- Golmohammadi M., and Massah B.A. 2011. The perusal of climate change impact on drought intensity and duration. Journal of Water and Soil, 25: 315-326. (In Persian with English abstract).

6- Karamouz M., Fallahi M., Nazif S., and Rahimi Farahani M. 2010. Long lead rainfall prediction using statistical downscaling and artificial Neural Network modeling. Civil Engineering, 16(2): 165-172.

7- Khazaei M.R., Zahabiyoun B., and Saghafian B. 2011. Assessment of climate change impact on floods using weather generator and continuous rainfall-runoff model. International Journal of Climatology.doi: 10.1002/joc.2416.

8- Kia S.M. 2011. Neural Network in MATLAB. Second edition, Publications of Kia Rayaneh Sabz, 409 P.

9- Ki kim M., Sik kang I., Kyupark C., and Myong kim K. 2004. Super ensemble prediction of regional precipitation over Korea. International Journal of Climatology.

10- Intergovernmental Panel on Climate Change, (IPCC), Climate Change. 2007. Synthesis report of the forth assessment report, IPCC.

11- Mahdizadeh M. 2004. Artificial Neural Networks and Its Application in Civil Engineering. Publications of Abedi, 130 P.

12- Mckerchar A.I., and Delleur L.W. 1974. Application of seasonal parametric linear stochastic models to monthly flow data. J. water resource reservoir. 10: 246-255.

13- Mirzavand M., Ghasemieh h., and Vali A. 2012. Using uncertain Models in the prediction of monthly average discharge using Time Series models, (Case study: Cheshmeh Soleiman of Kashan). Journal of Engineering eco-systems desert, 1: 51-58. (In Persian).

14- Naveh H., Khalili K., Alami M.T., and Behmanesh J. 2012. Forecasting river flow by bilinear nonlinear Time Series model, (Case study: Barandoz chai and Shahar chai rivers). Journal of Water and Soil, 5: 1299-1307. (In Persian with English abstract).

15- Nourani V., Alami M.T., and Aminfar M.H. 2009. A combined neural-wavelet model for prediction of Ligvanchai watershed precipitation. Engineering Applications of Artificial intelligence, 22: 466-472.

16- Qian B., Hayhoe H., and Gameda S. 2005. Evaluation of the stochastic weather generators LARS-WG and AAFC-WG for climate change impact studies. Climate Research, 29: 3-21.

17- Roshan G., Khoshakhlage F., and Azizi G. 2012. Testing suitable general circulation model for prediction temperature and precipitation of Iran under the situation of global warming. Geography and Development, 27: 19-36. (In Persian).

18- Saplioglu K., Cimen M., and Akman B. 2010. Daily precipitation prediction in Isparta station by Artificial Neural Network. Ohrid, Republic of Macedonia. 25-29.

19- Semenov M.A., Barrow E.M. 2002. A stochastic weather generator for use in climate impact studies. User manual, Version 3.2.

20- Semenov M.A. 2008. Simulation of extreme weather events by a stochastic weather generator. Climate Research, 35: 203-212, doi: 10.3354/cr00731.

21- Semenov M.A., Bennett S.P., and Calanca P. 2013. Validation of ELPIS 1980−2010 baseline scenarios using the observed European Climate Assessment data set. Climate Research, 57:1-9.

22- Semenov M.A., and Stratonovitch P. 2010. Use of multi-model ensembles from global climate models for assessment of climate change impacts. Climate Research, 41:1-14, doi: 10.3354/cr00836.

23- Soltani S., Modarres R., and Eslamian S. S. 2007. The use of time series modeling for the determination of rainfall climates of Iran. Intl. J. Climatol. 819-829.

24- Thomas H.A. and Fiering M.B. 1962. Mathematical synthesis of stream flow sequences for the analysis of river basin by simulation. Harward university press, cambrige, 751p.

25- Wang W., Chau K.W Cheng C.T., and Qiu L. 2009. A Comparison of performance of several artificial intelligence methods for forecasting monthly discharge time series. Journal of Hydrology, 374: 294-306.

26- Zahabiun b., Gudarzi M., and Massah B. A. 2010. Application of SWAT model in estimation of runoff in the future periods affected by climate change. Journal of Climate Research, 34: 43-58. (In Persian).

27- Zahedi M., Sarraf B.H., and Jameei J. 2010. Modeling rainfall in the stations Urmia and Tabriz. Journal of Geography and Regional Development, 7:1-16. (In Persian).