فصلنامه
نویسنده = یوسف حسن زاده

تغییرات فصلی بارش و درجه حرارت حوضه آبخیز کشف رود در دوره های آتی با رویکرد مدل های گردش کلیسری CMIP5

دوره 30، شماره 5، پاییز 1395، صفحه 1718-1732

https://doi.org/10.22067/jsw.v0i0.56154

امیرحسین آقاخانی افشار، یوسف حسن زاده، علی اصغر بسالت پور، محسن پوررضا بیلندی

چکیده چرخه هیدرولوژی در حوضه رودخانه ها و منابع آب قابل دسترس در مناطق خشک و نیمه خشک جهان به شدت تحت تأثیر تغییرات اقلیم و افزایش بیش از حد انتشار گازهای گلخانه ای قرار دارند؛ به گونه ای که در سال های اخیر، افزایش درجه حرارت ناشی از انتشار بیش از حد گازهای گلخانه ای سبب ایجاد یک ناهنجاری در سیستم اقلیم کره زمین گردیده است. هدف از این تحقیق بررسی فصلی روند تغییرات آتی مؤلفه های اقلیمی در یکی از بزرگترین حوضه های کوهستانی شمال شرقی ایران (حوضه آبخیز کشف رود) با استفاده از برونداد مدل های گردش کلیسری CMIP5 و تحت سناریوهای جدید انتشار RCP می باشد. در این تحقیق با درنظر گرفتن دو پارامتر بارش و درجه حرارتبه عنوان مهم ترین پارامترهای اقلیمی در حوضه‌های آبخیز، چهارده مدل از بین مدل هایCMIP5 انتخاب گردید. در دوره تاریخی (1384-1371)، داده های شبیه سازی شده توسط این مدل ها با داده های مشاهداتی و با استفاده از چهار معیار ارزیابی شامل: ضریب ناش-ساتکلیف، درصد اریبی، ضریب تعیین و نسبت جذر ریشه مربعات خطاء به انحراف معیار استاندارد داده های مشاهداتی، مورد مقایسه و ارزیابی قرار گرفتند. در نهایت، چهار مدل اقلیمی به نام های GFDL-ESM2G، IPSL-CM5A-MR، MIROC-ESM و NorESM1-M که براساس معیارهای ارزیابی بیشترین انطباق را با داده های مشاهداتی از خود نشان دادند، انتخاب گردید. علاوه بر این، تغییرات اقلیم آینده توسط چهار سناریوی جدید انتشار (RCPs) به نام های RCP2.6، RCP4.5، RCP6.0 و RCP8.5 و تحت سه بازه زمانی آینده نزدیک (1416-1385)، آینده متوسط (1449-1416) و آینده دور (1479-1449) در این چهار مدل مورد مقایسه و ارزیابی قرار گرفتند. به منظور بررسی روند تغییرات سالانه و فصلی مؤلفه های اقلیمی از آزمون غیرپارامتری من-کندال استفاده گردید. نتایج حاصل از آزمون من-کندال، نشان داد که مؤلفه بارش، از یک روند مثبت و منفی که از نظر آماری معنی دار می باشد، پیروی می کند. همچنین درجه حرارت متوسط نیز یک روند مثبتمعنی دار با سطوح اعتماد 90، 99 و 9/99 درصد را از خود نشان داد. بیشترین و کمترین بارش ها در فصل های بهار و تابستان رخ خواهد داد و درجه حرارت متوسط در تمامی فصول سال بیشتر از دوره پایه (تاریخی) می باشد. همچنین، به طور متوسط در تمامی مدل ها و سناریوها، بیشترین و کمترین درجه حرارت متوسط نیز در فصل های تابستان و زمستان حاصل خواهد شد و به تبع آن میزان بارش های فصلی نیز در این فصول به ترتیب کاهش و افزایش خواهد یافت.

بهبود عملکرد مدل‌های هوشمند بر پایه الگوریتم موجک و تبدیلات لگاریتمی در تخمین بار رسوب معلق

دوره 30، شماره 1، بهار 1395، صفحه 112-124

https://doi.org/10.22067/jsw.v30i1.37635

رضا حاجی آبادی، سعید فرزین، یوسف حسن زاده

چکیده یکی از دلایل پیچیدگی تخمین و پیش‌بینی پدیده‌های هیدرولوژیکی و به خصوص سری‌های زمانی وجود ویژگی‌هایی نظیر روند، نویز و نوسانات با فرکانس بالا در آن ها می‌باشد که با استفاده از پیش‌پردازش داده‌ها به وسیله نویززدایی و تبدیلات لگاریتمی، می‌توان برخی عوامل پنهان و تاثیرگذار در این پیچیدگی را شناسایی و حذف نمود و یا درک این ویژگی‌ها را برای مدل‌های پیش‌بینی ساده‌تر نمود. در این تحقیق با استفاده ازدو مدل هوشمند برنامه‌ریزی بیان ژن و شبکه عصبی مصنوعی تخمین بار رسوب معلق مورد بررسی قرار می‌گیرد، سپس میزان تاثیر دو رویکرد نویززدایی و تبدیلات لگاریتمی به عنوان پیش‌پردازشگر، در بهبود نتایج مورد ارزیابی و مقایسه قرار می‌گیرد. به منظور نویززدایی از تبدیلات موجک استفاده شده است. نتایج تحقیق نشان می‌دهد پس از نویززدایی، معیار نش-ساتکلیف در شبکه عصبی مصنوعی و برنامه‌ریزی بیان ژن به ترتیب 15/0 و 14/0 افزایش داشته و مقدار جذر میانگین مجذورات خطانیز در شبکه عصبی مصنوعی از 24/199 به 17/141 میلی‌گرم بر لیتر و در برنامه‌ریزی بیان ژن از 84/234 به 89/193 میلی‌گرم بر لیتر کاهش یافته است. تاثیر رویکرد تبدیلات لگاریتمی نیز در بهبود نتایج شبکه عصبی مصنوعی تا حدود زیادی مشابه با رویکرد نویززدایی می‌باشد. در حالی‌که در برنامه‌ریزی بیان ژن تاثیر نا‌مطلوب داشته و پس از تبدیلات لگاریتمی Ln و Log، معیار نش-ساتکلیف از 57/0 به ترتیب به 31/0 و 21/0 کاهش یافته است و مقدار جذر میانگین مجذورات خطا نیز از 84/234 میلی‌گرم بر لیتر به ترتیب به 41/298 میلی‌گرم بر لیتر و 72/318 میلی‌گرم بر لیتر افزایش یافته است.