پیش‌بینی اثر تغییرات پارامترهای هواشناسی بر منابع آب زیرزمینی با استفاده از مدل‌های شبکه عصبی مصنوعی (مطالعه موردی: دشت میاندوآب)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه ارومیه

2 گروه مهندسی آب دانشگاه ارومیه

چکیده

در این تحقیق، اثر تغییر اقلیم بر منابع آب زیرزمینی دشت میاندوآب در استان آذربایجان غربی مورد بررسی قرار گرفت. در این راستا، سناریوهای A1B، A2 و B1 از طریق مدل ریزمقیاس نمایی LARS-WG و با به­کار بردن مدل گردش عمومی جو HadCM3 و مدل شبکه عصبی مصنوعی در دو دوره زمانی مختلف (2065-2046، 2099-2080) مورد مطالعه قرار گرفتند. بدین منظور از داده­های ماهانه عمق سطح آب زیرزمینی 25 چاه پیزومتری در دشت میاندوآب با دوره آماری 10 ساله (2005-2014) و داده­های روزانه و ماهانه بارش، دماهای کمینه و بیشینه و ساعت آفتابی ایستگاه سینوپتیک میاندوآب در یک دوره آماری 20 ساله (1995-2014 ) استفاده گردید. نتایج ارزیابی داده­های مشاهداتی و شبیه­سازی شده توسط مدل  LARS-WG با استفاده از شاخص­های آماری مختلف بیانگر این است که اختلاف­های معنی­داری بین مقادیر شبیه­سازی شده و مشاهداتی وجود ندارد. تحلیل عملکرد مدل شبکه عصبی مصنوعی نشان داد که مدل مذکور از دقت خوب و مناسبی در شبیه­سازی تغییرات عمق سطح آب زیرزمینی در دشت مورد بررسی برخوردار است. نتایج نشان داد که متوسط عمق سطح آب زیرزمینی بطور میانگین در دوره اول (2065-2046) و دوره دوم (2099- 2080) به ترتیب 87/2 و 3/9 درصد افزایش می­یابد. در حقیقت، افزایش قابل توجه دما و به تبع آن افزایش مصرف آب زیرزمینی باعث عمق عمیق­تر آب زیرزمینی می­شود.

کلیدواژه‌ها


عنوان مقاله [English]

Climate change, Groundwater depth, HadCM3, LARS-WG

نویسندگان [English]

  • Mina Aghajanzadeh Sarasakanroud 1
  • Javad Behmanesh 2
  • Hossein Rezaie 1
  • Nasrin Azad 1
1 Urmia University
2 Urmia university, Water Engineering Dept.
چکیده [English]

In the present research, the climate change effect on groundwater resources of Miandoab plain in West Azerbaijan province was investigated. In this direction, the scenarios including A1B, A2 and B1 via LARS-WG downscaling model and with applying the HadCM3 general circulation model and artificial neural network model in two different periods (2046-2065, 2080 -2099) were studied. For this purpose, monthly groundwater depths data of 25 piezometric wells in the Miandoab plain with a 10-year statistical period (2005-2014) and daily and monthly data of rainfall, minimum and maximum temperatures and sunshine hours of the Miandoab synoptic station in a 20-year statistical period (1995-2014) were used. The evaluation results of the observed and simulated data by the LARS-WG model, using different statistical indices indicates that there is no significant differences between simulated and observed values. The performance analysis of the artificial neural network model shows that the mentioned model has good and suitable accuracy in simulating the changes in groundwater depth in the studied plain. The results showed that the average depth of groundwater level in the first period (2046-2065) and the second period (2080-2099) increases 2.87% and 9.3%, respectively. In fact, considerable augmentation of temperature and consequently increasing the groundwater consumption cause to deeper depth of the groundwater.
                                                                                                                                                        

کلیدواژه‌ها [English]

  • Climate change
  • Groundwater depth
  • HadCM3
  • LARS-WG
بابایی، ب.،  ت. سهرابی، ف. میرزایی، و. رضاوردی­نژاد و ب. کریمی. 1389. اثر تغییر آب و هوا بر عملکرد گندم و تحلیل ریسک ناشی از آن (مطالعه موردی: منطقه روددشت اصفهان)، مجله دانش آب و خاک، دوره 1/20 ، شماره3، ص 150 تا 135.
انصاری، ث.، ع. مساح بوانی و ع. روزبهانی.1395. بررسی اثرات تغییر اقلیم بر تغذیه آب زیرزمینی (مطالعه موردی: دشت سفیددشت). نشریه آب­ و­ خاک (علوم و صنایع کشاورزی)، جلد 30،شماره 2، ص.431-416.
بابائیان، ایمان.، م. کریمیان، ر. مدیریان و م. حبیبی نوخندان. 1386. شبیه‌سازی بارش ماه­های سرد سال‌های 1376و 1379 با استفاده از مدل اقلیمی RegCM3. فصلنامه جغرافیا و توسعه، دوره 5، شماره 10، 72-55.
بهمنش، ج.، ن. آزاد­ طلاتپه، م. منتصری، ح. رضایی و ک. خلیلی. 1394. اثر تغییر اقلیم بر تبخیر-تعرق مرجع،کمبود بارندگی و کمبود فشار بخار هوا در ارومیه. نشریه دانش آب وخاک، دوره 25، شماره2، ص91-79.
پورمحمدی، س.، ح. ملکی نژاد و ر. پورشرعیاتی. 1392. مقایسه کارایی روش­های شبکه عصبی و سری­های زمانی در پیش­بینی سطح آب زیرزمینی (مطالعه موردی: زیرحوزه بختگان استان فارس). نشریه پژوهش­های حفاظت آب و خاک، دوره 20، شماره 4، ص 262-251.
شکیبا، ع.، و آ. چشمی. 1390. ارزیابی اثر تغییر اقلیم بر منابع آب زیرزمینی دشت رامهرمز با استفاده از شبکه عصبی NARX. پژوهش­های دانش زمین، سال 2، شماره 8، ص 57-46.
ذهبیون، ب.، م. گودرزی و ع. مساح بوانی. 1389. کاربرد مدل SWAT در تخمین رواناب حوضه در دوره­های آتی تحت تاثیر تغییر اقلیم. نشریه پژوهش­های اقلیم­شناسی، دوره 1، شماره 3-4، ص 60-45.
علیزاده، ا. 1385. طراحی سیستم­های آبیاری. جلد اول. انتشارات آستان قدس رضوی.
مظفری، غ.، ش. شفیعی و ز. تقی­زاده. 1394. ارزیابی شرایط خشکسالی در سیستان و بلوچستان طی (1410-1391) با استفاده از ریزمقیاس نمایی داده­های مدل گردش عمومی جو. فصلنامه اطلاعات جغرافیایی، دوره24، شماره 93، ص 114-101.
گرجی، م.، و م. رائینی سرجاز. 1394. ارزیابی معادله­های تجربی برآورد تبخیر-تعرق پتانسیل برای اقلیم­های خشک و نیمه خشک استان فارس. نشریه آبیاری و زهکشی ایران، شماره 6، جلد 9، ص 904-893.
گودرزی، م.، ب. صلاحی و ا. حسینی. 1394. بررسی تاثیر تغییرات اقلیمی بر تغییرات رواناب سطحی. اکوهیدرولوژی، دوره2، شماره2، ص 189-175.
مهدوی، م. 1394. هیدرولوژی کاربردی، چاپ یازدهم. انتشارات دانشگاه تهران.
نیکمنش، م.، و غ. رخشنده رو. 1389. ارزیابی توانایی شبکه­های مختلف عصبی مصنوعی در پیش­بینی تراز آب زیرزمینی در آبخوان محدوده سعادت شهر فارس (یادداشت فنی). تحقیقات منابع آب ایران، دوره 7، شماره1(مسلسل 19)، ص 86-82.
Ababaei, B., T. M. Sohrabi, F. Mirzaei and B. Karimi. 2010. Evaluation of a stochastic weather generator in
different climates. Computer and Information Science, 3(3): 217-229.
Allen, R. G., L. S. Pereira, D. Raes and M. Smith. 1998. Crop evapotranspiration. Guidelines for computing crop water requirements. Irrigation and Drainage Paper 56, FAO, Rome, Italy.
Baguis, P., E. Roulin, P. Willems and V. Ntegeka. 2010. Climate change scenarios for precipitation and potential evapotranspiration over central Belgium. Theoretical and Applied Climatology, 99(3-4): 273-286.
Kurylyk, B. L., and K. T. Mac Quarrie. 2013. The uncertainty associated with estimating future groundwater recharge: A summary of recent research and an example from a small unconfined aquifer in a northern humid-continental climate. Journal of Hydrology, 492: 244–253.
Chang, j., G. Wang and T.  Mao. 2015. Simulation and prediction of suprapermafrost groundwater level variation in response to climate change using a neural network model. Journal of Hydrology, 529: 1211–1220.
Droogers, P., and R. G. Allen. 2002. Estimating reference evapotranspiration under inaccurate data conditions. Irrigation and drainage systems, 16(1): 33-45.‏
Gordon, C., C. Cooper, C. A. Seinor, H. Banks, J. M. Gregory, T. G. Johns, J. F. B. Mitchell and R. A. Wood. 2000. The simulation of SST, Seas ice extents and ocean heat transports in a version of the Hadley Center coupled model without flux adjustment. Climate Dynamics, 16: 147-168.
Gohari, A., S. Eslamian, J. Abedi-Koupai, A. Massah Bavani, D. Wang and K. Madani. 2013. Climate change impacts on crop production in Iran’s Zayandeh-Rud River Basin. Science of the Total Environment, 442: 405-419.
Daliakopoulos, I. N., P. Coulibaly and I. K. Tsanis. 2005. Groundwater level forecasting using artificial neural networks. Journal of Hydrology, 309 (1-4): 229–240.
Hargreaves, G. H., and R. G. Allen. 2003. History and evaluation of Hargreaves evapotranspiration equation. Journal of Irrigation and Drainage Engineering, 129(1): 53-63.‏
Hargreaves, G. H and Z. A. Samani. 1985. Reference crop evapotranspiration from temperature.
Applied Engineering Agriculture, 1(2): 96-99.
Harmsen, E. W., N. L. Miller, N. J. Schlegel and J. E. Gonzalez. 2009. Seasonal climate change impacts on evapotranspiration, precipitation deficit and crop yield in Puerto Rico. Agricultural Water Management, 96(7):1085-1095.
IPCC. 2007. Summary for policy makers Climate change: The physical science basis. Inter-Governmental Panel on Climate Change (IPCC). Contribution of Working Group I to the Forth Assessment Report. Cambridge University Press.
Islam, A., L. R. Ahuja, L. A. Garcia, L. Ma, A. S. Saseendran and T. J. Trout. 2012. Modeling the impacts of climate change on irrigated corn production in the Central Great Plains. Agricultural Water Management, 110: 94– 108.
Li, Z., F. L. Zheng and W. Z. Liu. 2012. Spatiotemporal characteristics of reference evapotranspiration during 1961–2009 and its projected changes during 2011–2099 on the Loess Plateau of China. Agricultural and Forest Meteorology, 154: 147– 155.
Muttiah, R.S., and R. A. Wurbs 2002. Modeling the impacts of climate change on water supply reliabilities. Water International, 27(3): 407-419.
Masood, M., and K. Takeuchi. 2016. Climate change impacts and its implications on future water resource management in the Meghna Basin. Futures, 78:1–18.
Steele-Dunne, S., P. Lynch, R. McGrath, T. Semmler, S. Wang, J. Hanafin and p. Nolan. 2008. The impacts of climate change on.hydrology in Ireland. Journal of Hydrology, 356(1-2): 28-45.
Semenov, M. A., and E. M. Barrow. 1997. Use of a stochastic weather generator in the development of climate change scenarios. Climate Change. 35(4): 397-414.
Yimer, G., A. Jonoski and A. Vav Griensven. 2009. Hydrological response of a catchment to climate change in the upper Beles river basin, upper blue Nile, Ethiopia. Nile Basin Water Engineering Scientific Magazine, 2: 49-59.
Zhu, Y., Z. Lin, J. Wang, Y. Zhao and F. He. 2016. Impacts of climate changes on water resources in Yellow River Basin, China. Procedia Engineering, 154: 687 – 695.
Yoon, H., S. C. Jun, Y. Hyun, G. O. Bae and k. k. Lee. 2011. A comparative study of artificial neural networks and support vector machines for predicting groundwater levels in a coastal aquifer. Journal of Hydrology, 396(1-2): 128-138.