توصيفگر ها :
نفوذ ناشي از بارش , مدل يادگيري ماشين , مدل يادگيري عميق , مدل يادگيري تركيبي , رفع اريبي , گزارش ششم تغييرات اقليمي
چكيده فارسي :
مطالعه حاضر سعي بر اين دارد تا با استفاده از كاربرد مدل‌هاي هوش مصنوعي و بهره‌گيري از مدل‌هاي ارائه شده توسط گزارش ششم تغييرات اقليمي به ارزيابي تغييرات نفوذ ناشي از بارش در بالادست و پايين‌دست حوضه آبريز زاينده رود به انجام رساند. دقت بالاي اين مدل‌ها در شناسايي روابط پيچيده ميان مجموعه داده‌هاي يك مساله آن‌ها را به جايگزين مناسبي براي مدل‌هايي كه مبتني بر فيزيك مساله هستند و با روابط رياضياتي پيچيده سروكار دارند، تبديل كرده است. همچنين عملكرد بالاي اين مدل‌ها در ارزيابي پارامترهاي هيدرولوژيكي تحت اثر سناريوهاي تغيير اقليم مي‌توانند نتايج دقيق و ارزشمندي را براي آينده تخمين بزنند. در تحليل نفوذ ناشي از بارش تحت سناريوهاي تغييراقليم در بالادست و پايين‌دست حوضه آبريز زاينده رود ضرورت دارد تا براي سهولت در امر مدل‌سازي از روش‌هايي موثر و جديد‌تر استفاده كرد. در اين پژوهش ابتدا از اطلاعات 12 ايستگاه دماسنجي و 21 ايستگاه باران سنجي در زيرحوضه‌هاي بالادست و پايين‌دست و 2 ايستگاه هيدرومتري موجود در محدوده بالادست حوضه در دوره 30 ساله از 1366 الي 1396، محاسبات تبخيروتعرق واقعي با استفاده از روش تورنست‌ويت و روش تبديل ضرايب فصلي و پهنه‌بندي بارش و دما با استفاده از روش‌هاي درون‌يابي تيسن و كريجينگ براي تمامي زيرحوضه‌ها انجام شد تا مقادير نفوذ ناشي از بارش مشاهداتي با استفاده از رابطه بيلان مختص هر زيرحوضه حاصل شود. هدف نهايي ارزيابي تغييرات نفوذ ناشي از بارش با استفاده از مقايسه عملكرد 8 مدل هوش مصنوعي عبارتند از LR، SVR، KNN، DT، RF، ExtraTrees، DNN و LSTM و درنهايت پيش‌بيني نفوذ تحت اثر سه سناريو SSP126 ، SSP245 و SSP585 مطابق گزارش ششم تغييرات اقليمي با استفاده از مدل منتخب مي‌باشد. در راستاي انتخاب بهترين مدل در هر زيرحوضه از روش عدم قطعيت مونت كارلو استفاده شده است كه نتايج براي حوضه‌هاي پايين‌دست مدل LR و براي بالادست به ترتيب در زيرحوضه قلعه شاهرخ و بوئين مياندشت مدل‌هاي KNN و LSTM كم‌ترين درصد عدم قطعيت را به خود اختصاص داده‌اند. از طرفي براي پيش‌بيني نفوذ تحت اثر سناريوهاي اقليمي با استفاده از مدل‌هاي انتخاب شده، رفع اريبي داده‌هاي بارش و دماي مدل‌هاي موجود در گزارش ششم تغيير اقليم با استفاده از چند مرحله پيش‌پردازش و يك مدل شبكه عصبي عميق انجام شده است. همچنين براي محاسبه رواناب بالادست از مدل آماده بارش- رواناب استفاده شده است. در نهايت با استفاده از نتايج پيش‌بيني شده براي متغير نفوذ ناشي از بارش در محدوده مطالعاتي به طور كامل به تحليل و بررسي اين متغير در سه بازه زماني آينده نزديك (2029-2025)، ميان مدت (2034-2030) وآينده دور (2039-2035) پرداخته شده است. براساس نتايج بدست آمده ميزان حداكثر و حدقل نفوذ ناشي از بارش نسبت به دوره مشاهداتي در تمامي سناريوها كاهش يافته است و به دليل تغييرات شديدي كه در ميزان نفوذ براساس سناريوها پيش‌بيني شد.
چكيده انگليسي :
The present study aims to assess precipitation-induced infiltration changes in the upstream and downstream sub-basins of the Zayandehrud watershed using artificial intelligence models and utilizing models provided by the Sixth Climate Change Assessment Report. The high accuracy of these models in identifying complex relationships among datasets has made them suitable replacements for physically-based models that involve complex mathematical equations. Furthermore, the superior performance of these models in assessing hydrological parameters under climate change scenarios can provide accurate and valuable results for future estimations. In the analysis of precipitation-induced infiltration under climate change scenarios in the upstream and downstream sub-basins of the Zayandehrud watershed, it is essential to employ effective and advanced methods for ease of modeling. In this research, calculations of actual evapotranspiration and runoff were conducted for all sub-basins using 12 temperature station data, 21 rainfall station data, and 2 hydrometric stations within the upper watershed, covering a 30-year period from 1987 to 2017. Infiltration values due to precipitation were then obtained observationally using the Water Balance Equation customized for each sub-basin. The ultimate goal was to assess changes in precipitation-induced infiltration by comparing the performance of 8 artificial intelligence models, including LR, SVR, KNN, DT, RF, Extra Trees, DNN, and LSTM, and predict infiltration under the influence of three SSP scenarios (SSP126, SSP245, and SSP585) according to the Sixth Climate Change Assessment Report, using the selected model. For the selection of the best model in each sub-basin, the Monte Carlo uncertainty method was employed, and the results indicated that in the downstream sub-basins, the LR model had the lowest uncertainty percentage, while in the upstream sub-basins, the KNN and LSTM models had the lowest uncertainty percentage for the Qhale-shahrokh and Boein-Miandasht sub-basins, respectively. Furthermore, to predict infiltration under the influence of climate scenarios using the selected models, data bias correction for precipitation and temperature models in the Sixth Climate Change Assessment Report was carried out through multi-step preprocessing and a deep neural network model. Additionally, a rainfall-runoff model was utilized for upstream runoff calculation. Finally, based on the predicted results for precipitation-induced infiltration variables within the study area, a comprehensive analysis of this variable was conducted for three future time intervals: near-future (2025-2029), mid-term (2030-2034), and far-future (2035-2039). According to the results obtained, the maximum and minimum levels of precipitation-induced infiltration have decreased in all scenarios compared to the observational period, mainly due to the significant variations in infiltration levels predicted based on the scenarios.
