تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,020 |
تعداد مشاهده مقاله | 52,489,535 |
تعداد دریافت فایل اصل مقاله | 15,217,051 |
ریزمقیاس نمایی روابط بارش-رواناب حوضه ی آبریز رود زرد در بستر تغییر اقلیم | ||
هیدروژئومورفولوژی | ||
مقاله 6، دوره 6، شماره 21، اسفند 1398، صفحه 109-132 اصل مقاله (1.02 M) | ||
نوع مقاله: پژوهشی | ||
نویسندگان | ||
سعید جهانبخش اصل* 1؛ حسین عساکره عساکره2؛ سعیده اشرفی3 | ||
1استاد گروه آب و هواشناسی دانشگاه تبریز | ||
2استاد اقلیم شناسی دانشگاه زنجان، ایران | ||
3دانش آموخته دکتری اقلیم شناسی دانشگاه دانش آموخته دکتری اقلیم شناسی دانشگاه تبریز، ایران | ||
چکیده | ||
بررسی و شناخت تغییرات اقلیمی رخ داده در نواحی مختلف میتواند شناختی از تغییرات اقلیمی محتمل در آینـده را بهدست دهد. یکی از راه های شناخت تغییرات احتمالی عناصر اقلیمی در آینده استفاده از مدل های اقلیمی موجود و ریزمقیاس نمایی آنهاست. در این پژوهش بارش و رواناب حوضه ی آبریز رود زرد، ریزمقیاس نمایی و برای دوره ی 2100-2006 شبیه سازی گردید. برای این منظور از سناریوهای RCP خروجی مدل CanESM2 استفاده شد. دوره ی پایه ی مورد استفاده برای این کار 2005-1976 میباشد. برای ریزمقیاس نمایی بارش و رواناب حوضه ی آبریز رود زرد از داده های بارش روزانه ایستگاه باغملک و رواناب ایستگاه ماشین و روش شبکه ی عصبی مصنوعی بهره گرفته شد. با استفاده از روش حذف پسرونده، متغیرهای میانگین فشار سطح دریا، ارتفاع ژئوپتانسیل تراز 500 هکتوپاسکال و میانگین دما در ارتفاع نزدیک سطح زمین به عنوان متغیرهای پیشبینی کننده انتخاب شد. راستیآزمایی الگو با نمایههای و انجام پذیرفت. در نهایت، معماری شبکه با الگوریتم قانون پسرو بیزی و با سه لایه ی پنهان به عنوان شبکه ی بهینه انتخاب شد. نتایج نشاندهنده ی روند کاهشی بارش سالانه برآورد شده در 95 سال آیـنده بر اساس هر سه سناریو میباشد. همچنین افزایش بارش در ماههای فصل گرم و کاهش بارش در ماه های فصل سرد مورد انتظار است. به عبارت دیگر میتوان افزایش بارش های محلی (احتمالاً همرفتی) ناشی از افزایش دما در دوره های آینده را محتمل دانست. رواناب حاصل از بارش نیز در ماه های سرد، کاهش و در ماه های گرم با صرف نظر از تأثیر دما و پوشش گیاهی، افزایش را تجربه خواهد کرد. | ||
تازه های تحقیق | ||
- | ||
کلیدواژهها | ||
بارش؛ رواناب؛ ریزمقیاس نمایی؛ شبکه ی عصبی؛ حوضه ی آبریز رود زرد | ||
اصل مقاله | ||
- | ||
مراجع | ||
Abbaspour. Karim C, Faramarzi. Monireh, Seyed Ghasemi. Samaneh and Yang. Hong (2009). Assessing the impact of climate change on water resources in Iran, Water Resources Research, Vol. 45. Abdul Baten. Mohammed and Titumir. Rashed Al Mahmud (2016). Environmental hallenges of trans-boundary water resources management: the case of Bangladesh, Water resources management, 2: 13–27. Aggarwal. K. K, Singh. Yogesh, Chandra. Pravin and Puri. Manimala (2005). Bayesian Regularization in a Neural Network Model to Estimate Lines of Code Using Function Points, Journal of Computer Sciences 1 (4): 505-509. Aichouri. I, Hani. A, Bougherira. Nabil. Diabri. L, Chaffai. H and Lallahem. S (2015). River flow model using artificial neural networks, Energy Procedia 74, 1007–1014. Altaf. Yasir, Manzoor Ahmad. Ahanger and Mohd. Fahimuddin (2017). MLR Based Statistical Downscaling of Temperature and Precipitation in Lidder Basin Region of India, Environ Pollut Climate Change, Vol. 1, 1-7. Amin, S and Roozbahani, A (2002). Simulation of Surface Runoff and Eva-transpiration of Rood Zard Basin with Stanford-4 Model, Agricultural science and technology and natural resources, 6(3). Anvari Tafti, S., Saghafian, B. and Marid, S. (2011). River flow prediction with ANN models and its performance with SOI inputs, Journal of Soil Conservation Research, 18(1), 163-180. Asakereh, H. (2011). Fundamentals of Statistical Climatology, Zanjan University Press. Asakereh, H. and Akbar Zadeh, Y. (2017). Assessment of climate change in Tabriz synoptic station Using Statistical Downscaling of canESM2 Climate Change Model Output, Geography and environmental hazards, 21, 153-174. Brekke. Levi D., Kiang. Julie E, J. Rolf. Olsen, Pulwarty. Roger S, Raff. David A, Turnipseed. D. Phil, Webb. Robert S and White. Kathleen D. (2009). Climate Change and Water Resources Management: A Federal Perspective, U.S. Geological Survey, Reston, Virginia. Chang. Heejun and Jung. Il-Won (2010). Spatial and temporal changes in runoff caused by climate change in a complex large river basin in Oregon, Journal of Hydrology 388, 186–207. Charron, I. (2014). A Guidebook on Climate Scenarios: Using Climate Information to Guide Adaptation Research and Decisions. Ouranos, 86 p. Fatahi, I et al (2012). Prediction of North Karun River Flow Using Artificial Neural Network, Geographical Research Quarterly, year 27, N 104, 51-77. Fathian, H and Hormozi Nejad, I (2011). Predicting the Quantitative and Qualitative Parameters of the Karun River Flow (Mollasani-Farsiab interval), Using Artificial Neural Networks, Wetland Scientific Journal, Islamic Azad University of Ahvaz, year 2, N 8, 29-46. Finnis. Joel, Holland. Marika M, Serreze. Mark C and Cassano. John J (2007). Response of Northern Hemisphere extratropical cyclone activity and associated precipitation to climate change, as represented by the Community Climate System Model, Journal of Geophysical Research, Vol 115. Furey. Peter, Kampf. Stephanie, Lanini. Jordan S and Dozier. Andre Q (2012). A Stochastic onceptual Modeling Approach for Examining the Effects of Climate Change on Streamflows in Mountain Basins, Journal of Hydrometeorology, Vol. 13. Ghorbani, M and Dehghani, R (2017). Comparison of Bayesian Neural Network, Artificial Neural Network and Gene Expression Planning Methods in River Water Quality Analysis (Case Study: Balkhlochai River), Watershed Management Journal, year 8, No. 15, 13-24. Hardi, J. (2012). Climate change causes, effects and solutions, translated by Khazaneh Dari et al, Papoli Publication, second edition. Jahanbakhsh Asl, S et al., (2016). The Impact of Climate Change on Temperature and Precipitation Considering the Uncertainty of Climate Models and Scenarios (Case Study: Urmia Shahr Chay Basin), Hydrogeomorphology, No. 7, 107-122. Janssen, E., D. J.Wuebbles, K. E. Kunkel, S.C. Olsen, and A. Goodman (2014). Observational- and model-based trends and projections of extreme precipitation over the contiguous United States, Earth’s Future, 2, 99–113 Joshi. Deepti, St-Hilaire. Andre, Daigle. Anik, Ouarda. Taha B.M.J (2013). Databased comparison of Sparse Bayesian Learning and Multiple Linear Regression for statistical downscaling of low flow indices, Journal of Hydrology 488, 136-149. Kamal, A and Masah Bavani, A (2012). Comparison of the uncertainty of AOGCM-TAR and AOGCM-AR4 climate change models on impact on basin runoff in the coming period, Journal of Earth and Space Physics, 38(3), 175-188. Karamouz, M and Araghi Nejan, Sh (2014). Advanced Hydrology, Amirkabir University of Technology Publications, Third Edition. Karamouz. M, Fahhahi. M, Nazif. S. and Rahimi Farahani. M. (2009). Long Lead Rainfall Prediction Using Statistical Downscaling and Artifcial Neural Network Modeling, Civil Engineering, 16(2), 165-172. Kayri. Murat (2016). Predictive Abilities of Bayesian Regularization and Levenberg–Marquardt Algorithms in Artificial Neural Networks: A Comparative Empirical Study on Social Data, Math. Comput. Appl. 21, 20. Kumar. P. Sundara, Praveen. T.V and Prasad. M. Anjanaya (2016). Artificial Neural Network Model for Rainfall-Runoff -A Case Study, International Journal of Hybrid Information Technology, 9(3), 263-272. Mahdi Zadeh, S et al (2011). Impact of Climate Change on Precipitation in Golestan Dam Basin, Journal of Water and Soil Conservation Research, 18(3). Masoodian, A. and Kaviani, M. (2008). Iran Climatology, Isfahan University Press. Meshkin Nezhad. Sina, Mashal. Mahmud, Hedayat. Najaf (2013). Simulation of the Climate Change Impact on Runoff in the Dez Dam Area, International Journal of Agriculture and Crop Sciences, Vol. 6 (3), 121-126. Mir Akbari, M et al (2018). Performance Evaluation of CMIP5 Series Model in Simulating and Predicting Climate Parameters of Rainfall, Temperature and Wind Speed (case Study: Yazd Province), Natural Geography Research, 50(3), 593-609. Palazzi, E., J. von Hardenberg, and A. Provenzale (2013). Precipitation in the Hindu-Kush Karakoram Himalaya: Observations and future scenarios, J. Geophys. Res. Atmos., 118, 85–100. Poor Mohammadi, S et al (2017). Investigation of Climate Change Impacts on Tuyserkan Watershed Climatic Parameters Using General Barley Circulation Models, Hydrogeomorphology, No. 12, 89-110. Rezaei, M et al (2014). Evaluation of the Performance of SDSM Statistical Downscaling Model in Predicting Temperature Parameters in Two Dry and Extra Dry Climates (Kerman and Bam), Watershed Management Research Paper, year 5, No 10, 117-131. Rostam Afshar, N et al (2006). Simulation and prediction of river flow using neural network and Fourier model, Iranian Water Resources Research, year 2, No. 1, 36-44. Samadi Neghab et al., (2011). Application of SDSM Model to Downscaling GCM Data Case Study: Station Climate Forecasting in Iran, Climatological Research, No. 5-6. Sharifi, E., Saghafian, B., & Steinacker, R. (2019). Downscaling satellite precipitation estimates with multiple linear regression, artificial neural networks, and spline interpolation techniques. Journal of Geophysical Research: Atmospheres, 124, 789–805. Taei Semiromi, S et al (2014). Simulation and Prediction of Some Climate Variables by SDSM Multiple Linear Model and Barley General Circulation Models (Neyshabur Watershed), Journal of Human and Environment, No. 28, 1-15. Zorzetto, E., & Marani, M. (2019). Downscaling of rainfall extremes from satellite observations. Water Resources Research, 55, 156–174. | ||
آمار تعداد مشاهده مقاله: 591 تعداد دریافت فایل اصل مقاله: 414 |