palette
ارزيابي اثر تغيير اقليم بر منابع آب زيرزميني دشت رامهرمز با استفاده از شبکه عصبی NARX
علیرضا شکیبا, آتنا چشمی

چکیده

پديده تغيير اقليم در سال‌هاي اخير منجر به تغييرات قابل توجه در عناصراقلیمی و در نتيجه وضعيت منابع سطحي و زيرزميني تامين آب خصوصاً در مناطق خشک و نيمه‌خشک شده است، اين مساله بعضا باعث افت قابل توجه منابع آب زيرزميني شده است. در اين مقاله، اثرات تغيير اقليم بر وضعيت منابع آب زيرزميني دشت رامهرمز بررسي شده است. تأمين آب بخش‌هاي مختلف اين منطقه به شدت به منابع زيرزميني وابسته بوده و به همين دليل بررسي تغييرات آب‌هاي زيرزميني در دوره‌هاي آتي در توسعه اين دشت و مديريت منابع آب آن حائز اهميت مي‌باشد. به منظور ارزيابي اثرات تغيير اقليم، از خروجي‌ مدل‌هاي گردش عمومي جو (GCM) استفاده شده است. و سپس جهت انطباق مقياس خروجي اين مدل‌ها با مقياس‌ مورد نياز مطالعات محلي تغيير اقليم، داده‌هاي بارش و دما توسط مدل LARS-WG ريز مقياس شده‌اند. از اطلاعات ريزمقياس شده جهت تعيين مقادير تغذيه و تخليه آبخوان در دوره‌هاي آتي استفاده گرديد. براي بررسي تغييرات تراز آب زيرزميني در مقاطع مختلف، مدل دینامیکی شبکه عصبی در محيط نرم‌افزار MATLAB توسعه داده شده است. همچنین می توان با استفاده از سایر سناریوها و مدلسازی ریاضی به بررسی و مقایسه دیگرنقاط هم پرداخت. نتايج مطالعه با فرض حفظ وضعيت موجود توسعه منطقه، حاکي از سير نزولي حجم آبخوان با توجه به تغييرات اقليمي و اثرات آن بر منابع و مصارف محدوده مطالعاتي مي‌باشد. همینطور نتایج، سناریوA2 را بحرانی ترین سناریو مربوط به تغییرات اقلیمی معرفی که بیشترین افت آبخوان را در مدل سازی شبکه عصبی هم نشان می دهد.

واژگان کلیدی
آب زيرزميني ، تغيير اقليم، ريزمقياس کردن، شبکه عصبی NARX

منابع و مآخذ مقاله

-ابول پور، آ.، 1389. تدوين الگوي ارزيابي اثرات تغيير اقليم در ذخاير آب زيرزميني مطالعه موردي دشت رفسنجان، پایان نامه کارشناسی ارشد، دانشکده علوم پایه، دانشگاه علوم و تحقیقات تهران، 143 ص.

- کیا،س، م.،1390. شبکه های عصبی در متلب، چاپ اول، انتشارات کیان رایانه سبز. تهران، 408 ص.

-نديري، ع.، 1386. پيش بيني سطح آب زيرزميني تبريز با شبكه هاي عصبي مصنوعي، پايان نامه كارشناسي ارشد، دانشگاه تبريز.

-Babaeian, I., Kwon, W.T., and Im, E.S., 2004. Application of Weather Generator Technique for Climate Change Assessment Over Korea, Korea Meteorological Research Institute, Climate Research Lab Report, 98p.

-Cohen, S. J., 1986. Impacts of CO2-induced climatic change on water resources in the Great Lakes Basin, Climatic Change,v. 8, p. 135-153.

-Coppola, E., Szidarovszky,F., Poulton, M., and Charles. E., 2003. Artificial neural network approach for predicting transient water level in a multilayered groundwater system under variable state, pumping, and climate conditions. Journal of Hydrologic Engineering,v. 8( 6), p. 348-359.

-Coulibali, P., Anctil, F., and Bobée, B., 2001. Daily streamflow forecasting using neural networks with stopped training approach. Journal of Hydrology, v. 230, p.244-257.

-Karamouz. M., and Araghinejad, Sh., 2004. Long-lead forecatsing using ANN and FIS, calibration and validation of hydrologic models Hydroinformatics, Singapour, v.9, p. 402–414.

-Karamouz, M., Ahmadi, A., and Akhbari, M., 2010. Groundwater Hydrology Engineering, Planning and Management, Published by CRC press, Taylor and Francis group, Boca Raton, Florida. , New York, v. 5, 676 p.

-Kauo-Chin, H., Chug-Ho, W., Kuan-Chin, C., Chien-Tai, C., and Kai-Wei, M., 2010. Climate-induced hydrological impacts on the groundwater system the pingtung plain, Taiwan, v.11, P. 43-60.

-Mostadraf, J., Razack, M., and Sinan, M., 2008. Evaluation of the impacts of climate changes on the coastal chaoia aquifer, Moroco, using numerical modelling. Journal of Hydrogeology, v.16, p. 1411-1426.

-Semenov, M.A., and Barrow, E.M., 1997. Use of a stochastic weather generator in the development of climate change scenarios. Journal of Climatic Change, v. 35, p. 397-414.

-Wilby, R.L., Dawson, C.W., and Barrow, E.M., 2002, SDSM- A decision support tool for the assessment of regional climate change impacts, Journal of Environmental Modeling and Software, v. 17, p. 147-159.


ارجاعات
  • در حال حاضر ارجاعی نیست.