مقايسه مدل هاي شبكه عصبي مصنوعي و يادگيري عميق در مدلسازي بارش-رواناب رودخانه كشف رود و پيش بيني اثر تغيير اقليم بر پارامترهاي هواشناسي و دبي رودخانه

هدف از اين تحقيق، مقايسه عملكرد مدل هاي شبكه عصبي مصنوعي (ANN) و شبكه عصبي عميق (DNN) در مدلسازي بارش-رواناب رودخانه كشف رود در يكي از سرشاخه هاي دائمي آن و پيش يني اثر تغيير اقليم بر پارامترهاي هواشناسي و دبي رودخانه مي باشد. بدين منظور عملكرد دو مدل شبكه عصبي پيشخور چند لايه (MLP) و شبكه عصبي كانولوشن (CNN) در مدل سازي بارش-رواناب با ورودي هايي از بارش و دبي روزانه با تاخيرهاي مختلف با يكديگر مقايسه شد. سپس از پيش بيني مدل LARS-WG6 در دوره آتي (2021-2040) در سناريوهاي مختلف تغيير اقليم (RCP26، RCP45 و RCP85) به عنوان ورودي مدل هوش مصنوعي برتر استفاده شده و دبي رودخانه و مقادير حدي آن پيش بيني گرديد. يافته هاي تحقيق نشان داد كه مدل CNN با ورودي بارندگي با تأخير صفر تا 2 روز و دبي رودخانه با تأخير 1 روز، بهترين عملكرد را در مدلسازي دبي رودخانه داشت. پيش‌بيني‌هاي LARS-WG6 نشان داد كه افزايش حداقل و حداكثر دما در آينده در ماه‌هاي مختلف در محدوده 0.3 تا 2.1 درجه سانتيگراد خواهد بود. بارندگي سالانه در همه سناريوهاي تغيير اقليم در آينده افزايش خواهد يافت. بيشترين افزايش بارندگي سالانه در آينده، نسبت به دوره پايه در سناريوي RCP26 به ميزان 14% خواهد بود و حداكثر دبي در سناريوي مذكور، حدود 18 درصد افزايش خواهد يافت.