پیش‌بینی کمی کیفی دبی رودخانه خرم رود در اثر تغییر اقلیم با مدل نروسلوشن و رگرسیون بردار پشتیبان

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه رازی

2 استادیار گروه مهندسی آب، دانشکده علوم و مهندسی کشاورزی، دانشگاه رازی، کرمانشاه

چکیده

آگاهی از کیفیت منابع آب یکی از نیازمندی­های مهم در برنامه­ریزی و توسعه منابع آب و حفاظت آن هست. رودخانه­ها به­عنوان اصلی­ترین منبع تأمین­کننده نیاز شرب، کشاورزی و صنعت از اهمیت خاصی برخوردار هستند. در این پژوهش به منظور بررسی اثرات بلندمدت دما و بارش رودخانه خرم رود در شهر کنگاور استان کرمانشاه از خروجی چهار مدل اقلیمی گزارش پنجم (AR5) IPCC،  تحت سناریوهای RCP4.5، RCP6 برای دوره پایه (2015-1983) استخراج گردید و با داده­های اقلیمی مشاهداتی مقایسه شد. مقادیر روزانه پارامترهای اقلیمی بارش و دمای مدل‌های برتر برای دوره­های آتی 2052-2020 و 2085-2053 با روش ریزمقیاس سازی LARSWG6 در منطقه مطالعاتی تولید‌شد.  به­منظور  پیش‌بینی رواناب از مدل شبکه عصبی مصنوعی در نرم افزار نروسلوشن استفاده‌گردید. پس از کالیبراسیون مدل­ در دوره پایه 2015 -1983، پیش‌بینی برای دوره‌های آتی انجام شد و در ادامه به­منظور پیش‌بینی پارامترهای کیفیت آب رودخانه از مدل رگرسیون بردار پشتیبان در محیط برنامه‌نویسی پایتون استفاده‌گردید. نتایج حاکیست مقدار بارش در مدلهای  CanESM2 وMIROC-ESM-CHEM افزایش و در بقیه کاهش را نشان می‌دهد. دما در کلیه مدل‌ها و سناریوهای اقلیمی افزایش می‌یابد که بیش‌ترین مقدار آن معادل32/3 درجه سانتیگراد در دوره دوم آتی در مدل GFDL-CM3 می‌باشد. مقدار کاهش آبدهی میانگین مدلها و سناریوهای اقلیمی حاصل از خروجی مدل نروسلوشن در دوره دوم نسبت به دوره اول 29/9 درصد می‌باشد. تغییرات میزان آبدهی بر پارامترهای کیفی رودخانه تاثیرگذاشته بنابراین مقادیر پارامترهای,TDS, EC, CL ,Mg Ca و مجموع آنیونها با توجه به تعداد داده‌های مشاهداتی مناسب آنها پیش‌بینی گردید و نتایج نشان داد پارامترهای کیفی در اکثر مدلها در سناریوی RCP6 بیشتر از سناریوی RCP4.5 است و مدل FIO پیش‌بینی های دقیق تری نسبت به سایر مدل‌ها داشته‌است. پیشنهاد می‌گردد تغییرات پارامترهای کیفی در دوره آتی با مدل‌های دو بعدی کیفیت آب نیز مدل‌سازی گردد و با نتایج حاصل از این پژوهش مقایسه‌گردد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Quantitative qualitative prediction of Khorramrud River discharge due to climate change with Neurosolution model and support vector regression

نویسندگان [English]

  • seiran marabi 1
  • Maryam Hafezparast 2
1 razi university
2 Assistant professor of water engineering department, Faculty of science and agricultural engineering, Razi University, Kermanshah, Iran
چکیده [English]

Awareness of water resources quality is one of the most important requirements in planning and developing water resources and protecting it. Rivers are of particular importance as the main source of drinking, agriculture and industry needs. In this study, in order to investigate the long-term effects of temperature and precipitation from the output of the four climatic models of the fifth report (AR5) IPCC under RCP4.5, RCP6 scenarios for the base period was extracted and compared with the observational climatic data. Daily values of precipitation climatic parameters and temperature of superior models for future periods 2020-2052 and 2085-2053 were produced by LARSWG6 Downscaling method in the study area. In order to predict runoff, artificial neural network model was used in Neurosolution software. After calibration of the model in the base period of 1983-2015, the prediction was made for future periods and then in order to predict the water quality parameters of the river, the support vector regression model was used in the Python programming environment. The results showed that the amount of precipitation in CanESM2 and MIROC-ESM-CHEM models increased and decreased in the rest. Temperature increases in all models and climatic scenarios with the highest value of 3.32 °C in the next second period in the GFDL-CM3 model. The average reduction of models and climatic scenarios resulting from Neurosolution model output in the second period was 9.29% compared to the first period. Changes in the amount of discharge affected the quality parameters of the river, so the values of parameters, TDS, EC, CL, Mg Ca and the sum of anions were predicted according to the number of appropriate observational data.

کلیدواژه‌ها [English]

  • Discharge
  • Neurosolution
  • prediction
  • Quality parameters
  • RCP
  • SVR
انصاری مهابادی، س.، شمسائی، ا.، مساح، ا.(1391). اثر تغییر اقلیم بر تناوب دبی. سومین کنفرانس ملی  مدیریت یکپارچه منابع آب ، ساری.
اقتطاف، م.،  (1394). اثرات تغییر اقلیم بر کیفیت و کمیت منابع آب سطحی، رودخانه بالیخلو چای. پایان نامه کارشناسی ارشد.
پورخیراله،ز.، حافظ پرست، م.، فاطمی، س.ا، 1396. تغییرات پارامترهای بارش، دما و دبی تحت سناریوی واداشت تابشی (منطقه مطالعاتی:شهرستان دهلران) ، دومین کنفرانس ملی هیدرولوژی ایران، شهرکرد، ایرن.
حافظ پرست،م.، پورخیراله، ز. (1397). اثر سناریوهای واداشت تابشی بر شاخصهای هیدرولوژیکی، مطالعه موردی: حوزه آبخیز سد دویرج، نشریه علمی-پژوهشی مهندسی و مدیریت آبخیز، جلد10، شماره2،  صفحات، 231-248.
رحیمی، ب.، حافظ پرست مودت، مریم. (1399). مقایسه مدل‌های رگرسیون بردار پشتیبان، برنامه‌ریزی بیان ژن و آیهکرس در پیش‌بینی تغییرات رواناب تحت تاثیر تغییر اقلیم (مطالعه موردی: سد جامیشان). تحقیقات آب و خاک ایران، 51(10)، 2483-2499.
رضایی، ا.، شاهی‌نژاد، ب.، یونسی، ح. (1398). ارزیابی مدل‏‌های هوشمند در برآورد میزان مواد جامد محلول در آب رودخانه کشکان، استان لرستان. مهندسی و مدیریت آبخیز،11(1)، 147-165      
ظهرابی، ن.، مساح بوانی، ع.، گودرزی، ا.، حیدرنژاد، م.(1395). شناسایی روند تغییرات دما و بارش سالانه در حوضه آبریز کرخه. اکوبیولوژی تالاب. ۸ (۲) :۲۲-۵
عیسی زاده،م.، بی آزار، س.م.، اشرف زاده، ا.، خانجانی، ر. (1398). تخمین پارامترهای کیفی آب‌خوان دشت گیلان با استفاده از آزمون گاما و مدل-های ماشین بردار پشتیبان و شبکه عصبی مصنوعی. فصلنامه علوم و تکنولوژی محیط زیست.21(2), 1-21
گلشن، م.، کاویان، ع.، روحانی، ح.، اسمعلی عوری، ا. (1394). واسنجی چند ایستگاهی رواناب حوضه آبخیز هراز با مدل SWAT. ، تحقیقات آب و خاک ایران46(2)، 293-303.
مجیدی، ع.ا، رادفر، م.، میرعباسی نجف آبادی، ر.، معروفی، صفر. (۱۳۹۷). تحلیل روند خصوصیات خشکسالی‌های هواشناسی استان همدان . پ‍‍ژوهشنامه مدیریت حوزه آبخیز. ۹ (۱۷) :۳۰۵-۲۹۵
ناظری تهرودی، م.، خلیلی، ک.، احمدی، ف. (1395). تحلیل روند تغییرات ایستگاهی و منطقه ای بارش نیم قرن اخیر کشور ایران. آب و خاک30(2)، 643-654
 
Binaman J and Shoemaker CA. 2005. An analysis of high-flow sediment event data for evaluating model performance Journal of Hydrological Processes 19: 605-620.
Bodian, A., Dezetter, A., Diop, L., Deme, A., Djaman, K., & Diop, A. 2018. Future Climate Change Impacts on Streamflows of Two Main West Africa River Basins: Senegal and Gambia. Hydrology, 5(1), 21.
Bozorg-Haddad, O., S. Soleimani and H.A. Loáiciga. 2017. Modeling water-quality parameters using genetic algorithm, least squares support vector regression and genetic programming. Journal of Environmental Engineering, 143: 15-32.
Burchard-Levine A, Liu S, Vince F, Li M, Ostfeld A .2014. A hybrid evolutionary data driven model for river water quality early warning. J Environ Manag 143:5–16.
Dibike, Y.B., Velickov, S., Solomatine, D.P. and Abbott, M.B. 2001. Model induction with support vector machines: introduction and applications. Journal of Computing in Civil Engineering. 15(3), 208-216.
Fu, G., Charles, S. P., Viney, N. R., Chen, S. and Wu, J. Q. 2007. Impacts of climate variability on streamflow in the Yellow River. Hydrology Process, 61(65):3431–3436.
Fu, G., Charles, S. P., Chiew, F. H., Teng, J., Zheng, H., Frost, A. J., Liu, W. and Kirshner, S. 2013. Modelling runoff with statistically downscaled daily site, gridded and catchment rainfall series. Journal of Hydrology, 466:654– 665
Hao, Z., AghaKouchak, A., & Phillips, T. J. 2013. Changes in concurrent monthly precipitation and temperature extremes. Environmental Research Letters, 8(3), 034014
He, Z., Wen, X. Liu, H. and Du, J.2014. A comparative study of artificial neural network, adaptive neuro fuzzy inference system and support vector machine for forecasting river flow in the semiarid mountain region. Journal of Hydrology 509: 379–386. 
Ho, J. T., Thompson, J. R., & Brierley, C. 2016. Projections of hydrology in the Tocantins-Araguaia Basin, Brazil: uncertainty assessment using the CMIP5 ensemble. Hydrological Sciences Journal, 61(3), 551-567
Hosseini, N., Johnston, J., & Lindenschmidt, K. E. 2017. Impacts of climate change on the water quality of a regulated prairie river. Water, 9(3), 199.‏
Hung, N. Q., Babel, M. S., Weesakul, S., & Tripathi, N. K. 2009. An artificial neural network model for rainfall forecasting in Bangkok, Thailand. Hydrology and Earth System Sciences, 13(8), 1413-1425.‏
IPCC. 2007. Climate Change: Impacts, Adaptation, and Vulnerability. Exit EPA Disclaimer Contribution of Working Group II to the Third Assessment Report of the Intergovernmental Panel on Climate Change. In: M.L. Parry, et al (eds). Cambridge Univ. Press, Cambridge, UK. 676p.
IPCC. 2013. Summary for policymakers. In: Stocker, T.F., Qin, D., Plattner, G.-K., Tignor, M., Allen, S.K., Boschung, J., Nauels, A., Xia, Y., Bex, V., Midgley, P.M. (6013). Climate Change: The Physical Science Basis, Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA.
IPCC.2014. Summary for policymakers. In: Climate Change 6014: Impacts, Adaptation, and Vulnerability. Part A: Global and Sectoral Aspects. Contribution of Working Group II to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [Field, C.B., V.R. Barros, D.J. Dokken, K.J. Mach, M.D. Mastrandrea, T.E. Bilir, M. Chatterjee, K.L. Ebi, Y.O. Estrada, R.C. Genova, B. Girma, E.S. Kissel, A.N. Levy, S. MacCracken, P.R. Mastrandrea, and L.L. White (eds.)]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA, pp. 1-36.
Using Numerical Modeling Approach in Major Climate Classes of Asia. International journal of environmental research and public health, 15(10), 2258
Karamouz, M., Fallahi, M., Nazif, S., & Farahani, M. R. (2012). Long lead runoff simulation using data-driven models. International Journal of Civil Engineering, 10(4), 328-336.‏
Kotsuki, S., Tanaka, K. and Watanabe, S.2014. Projected hydrological changes and their consistency under future climate in the Chao Phraya River Basin using multi-model and multiscenario of CMIP5 dataset. Hydrological Research Letters, 8(1), 27–32.
Mohammed, I. N., Bomblies, A., & Wemple, B. C. 2015. The use of CMIP5 data to simulate climate change impacts on flow regime within the Lake Champlain Basin. Journal of Hydrology: Regional Studies, 3, 160-186
Najah, A., Elshafie, A., Karim, O. A., & Jaffar, O. (2009). Prediction of Johor River water quality parameters using artificial neural networks. European Journal of Scientific Research, 28(3), 422-435.‏
Nasr M, Zahran HF (2014) Using of pH as a tool to predict salinity of groundwater for irrigation purpose using artificial neural network. Egyptian Journal of Aquatic Research, 40:111-115.
Ouyang, F., Zhu, Y., Fu, G., Lü, H., Zhang, A., Yu, Z. and Chen, X. 2015. Impacts of climate change under CMIP5 RCP scenarios on streamflow in the Huangnizhuang catchment. Stochastic environmental research and risk assessment, 29(7), 1781-1795
Sarzaeim, P., Bozorg-Haddad, O., Fallah-Mehdipour, E., & Loáiciga, H. A. 2017. Environmental water demand assessment under climate change conditions. Environmental monitoring and assessment, 156(7), 356
Salami, E. S., Salari, M., Ehteshami, M., Bidokhti, N. T., & Ghadimi, H. 2016. Application of artificial neural networks and mathematical modeling for the prediction of water quality variables (case study: southwest of Iran). Desalination and Water Treatment, 57(56), 27073-27084.‏
Salari, M., Shahid, E.S., Afzali, S.H., Ehteshami, M., Conti, G. O., Derakhshan, Z., & Sheibani, S. N. 2018. Quality assessment and artificial neural networks modeling for characterization of chemical and physical parameters of potable water. Food and Chemical Toxicology, 118, 212-219.‏
Santhi C, Arnold JG, Williams J, Dugas WA and Hauck L. 2001. Validation of the SWAT model on a large river basin with point and nonpoint sources. The American Water Resources Association 37 (5): 1169-1188.
Tan, M.L., Ficklin, D.L., Ibrahim, A.L., Yusop, Z. 2014. Impacts and uncertainties of climate change on streamflow of the Johor River Basin, Malaysia using a CMIP5 General Circulation Model ensemble. J. Water Clim. Change 5(4), 676–665. 53.
Whitehead, P. G., Wilby, R. L., Battarbee, R. W., Kernan, M., & Wade, A. J. 2009. A review of the potential impacts of climate change on surface water quality. Hydrological Sciences Journal, 54(1), 101-163.
Zare Abyaneh, H., Bayat Varkeshi, M., Marofi, S. and Amiri Chayjan, R. 2010. Evaluation of Artificial Neural Network and Adaptive Neuro Fuzzy Inference System in Decreasing of Reference Evapotranspiration Parameters, Journal of Water and Soil. Vol. 24, No. 2, pp. 297-305.
Zare Abyaneh, H., M. Bayat Varkeshi; S. Marofi; A. R., Ildromi. 2012."Simulation of Malayer Plain Groundwater Level Based on Weather Data Using Artificial Neural Network". Physical Geography Research Quarterly, 43, 78, 17-28.
Zhang, D., Chen, X., Yao, H., Lin, B. 2015. Improved calibration scheme of swat by separating wet and dry seasons. Ecol. Model. 301, 54-61
Zhang, J., Y. Zhang, L. Chen, Q. Wang and M. Zhao.2019. "Water Quality Prediction for Hanjiang with Optimized Support Vector Regression," 2019 IEEE 8th Data Driven Control and Learning Systems Conference (DDCLS), Dali, China, pp. 832-837, doi: 10.1109/DDCLS.2019.8908995.