حمیدرضا باباعلی

پژوهش با هدف ارزیابی کمی و کیفی اثرات تغییرات اقلیم بر دبی رودخانه، ابتدا به مقایسه و انتخاب کارآمدترین مدل هوش مصنوعی هیبریدی(رگرسیون بردار پشتیبان -موجک، رگرسیون بردار پشتیبان –نهنگ و رگرسیون بردار پشتیبان –ازدحام ذرات) برای برآورد دقیق دبی بر اساس داده های تاریخی طی سالهای 2022-1992 می پردازد. در گام بعدی، از پیش بینی های اقلیمی مدل های گردش عمومی جو (GCMs) تحت سناریوهای مختلف انتشار گازهای گلخانه ای برای پیش بینی روند آتی دبی رودخانه طی سالهای 2043-2023 -استفاده می گردد. همچنین جهت مقایسه عملکرد مدلهای هیبریدی مورد بررسی از شاخص های آماری ضریب همبستگی، ریشه میانگین مربعات خطا، میانگین قدر مطلق خطا و ضریب نش ساتکلیف استفاده شد. نتایج حاصل از اریابی مدلهای هیبریدی نشان داد مدل رگرسیون بردار پشتیبان-موجک با بیشترین ضریب همبستگی 980/0 ، کمترین ریشه میانگین مربعات خطا 372/0 ، کمترین میانگین قدر مطلق خطا 174/0 و بیشترین ضریب نش ساتکلیف 985/0 عملکرد بهتری نسبت به سایر مدلهای مورد بررسی از خود نشان داده است. همچنین نتایج حاصل از ارزیابی مدل LARS-WG نشان داد که مدل Can ESM5.0 دماهای حداکثر و حداقل را به خوبی پیش بینی می کند، اما در تخمین بارش با خطا همراه است، در حالی که مدل BCC-CSM2-MR بارش بیشتری را در فصول گرم تر تخمین می زند. پیش بینی ها برای دوره 2023 تا 2043 تحت سناریوهای مختلف انتشار گازهای گلخانه ای SSP126 و SSP585 حاکی از افزایش دما، به ویژه در سناریوی انتشار بالای SSP585، و نوسانات نامشخص در میزان بارش است که این نوسانات بین مدل های مختلف نیز تفاوت قابل توجه

در سال های اخیر افت منابع آب زیرزمینی به عنوان مهم ترین چالش در مسائل مدیریت منابع آب مطرح است. اولین گام در جهت مدیریت آب زیرزمینی، ش بیه سازی سطح آب زیرزمینی و شناسایی عوامل مؤثر بر سطح آب زیرزمینی است. از این رو در این پژوهش جهت شب یه سازی سطح آب زیرزمینی دشت سلسله واقع در استان لرستان از مدل ترکیبی رگرسیون بردار پشتیبان (SVR) با موجک و الگوریتم های فرا ابت کاری گرگ خاک ستری (GWO) و خفاش (BA) در مقیاس زمان ی ماهانه طی دوره ی آماری 2020-2010 استفاده ش د. م عیارهای ضریب همبستگی (R2)، م جذور میانگین مربعات خطا (RMSE) ، میانگین مطلق خطا (MAE)، ضریب بهره وری نش-ساتکلیف (NSE)، درصد بایاس (PBIAS) برای ارزیابی و مقایسه ی عملکرد مدل ها مورد استفاده قرار گرفت. نتایج نشان داد هر سه مدل هیبریدی، در الگوهای ترکیبی نتایج بهتری نسبت به سایر الگوهای تعیین شده دارند. همچنین، با توجه به معیارهای ارزیابی مشخص شد که از بین مدل های به کاررفته در شبیه سازی سطح آب زیرزمینی، مدل رگرسیون بردار پشتیبان-موجک با ضریب تعیین (988/0-975/0R2=)، ری شه ی میانگین مربعات خطا (146/0-112/0RMSE=)، میان گین قدرمطلق خطا (m093/0-076/0MAE=) ضریب نش ساتکلیف (978/0-963/0NS=) و درصد بایاس (001/0PBIAS=) در مرحله ی صحت سنجی عملکرد بهتری نسبت به سایر مدل ها از خود نشان داده است.

سیل یکی از بلایای طبیعی مهمی است که همه ساله باعث ایجاد خسارت های مالی و جانی فراوانی به جوامع مختلف می گردد. به همین دلیل محققان سعی نموده اند که تغییرات کمی این پدیده را حتی المقدور به طور دقیق مورد بررسی قرار دهند. در این پژوهش جهت تخمین دبی سیلابی ایستگاه کهمان الشتر واقع در استان لرستان از مدل شبکه ی عصبی موجک استفاده شد و نتایج آن با سایر روش های هوشمند از جمله شبکه ی عصبی مصنوعی مقایسه گردید. برای این منظور از پارامتر حداکثر بارش 24 ساعته در مقیاس زمانی روزانه با تأخیرهای مختلف در طی دوره ی آماری (1391-1380) به عنوان ورودی و دبی حداکثر روزانه به عنوان پارامتر خروجی مدل ها انتخاب گردید. معیارهای ضریب همبستگی، ریشه ی میانگین مربعات خطا و میانگین قدرمطلق خطا برای ارزیابی و عملکرد مدل ها مورد استفاده قرار گرفت. نتایج نشان داد هر دو مدل قابلیت خوبی در تخمین دبی سیلابی دارند، لیکن از لحاظ دقت، مدل شبکه ی عصبی موجک عملکرد بهتری نسبت به شبکه ی عصبی مصنوعی از خود نشان داده است.