| ترکیب استخراج مشخصه با مدل های تلفیقی هوش مصنوعی برای ریزمقیاس نمایی بارش های مولد رواناب شهری |
| کد مقاله : 1640-IWWA |
| نویسندگان |
|
عاطفه تیرانداز1، مسعود تابش *2، محسن ناصری2، زهرا رزاق زاده3 1دانشجوی دانشگاه تهران 2استاد دانشگاه تهران 3دانش آموخته دکتری دانشگاه تهران |
| چکیده مقاله |
| تغییرات الگوهای بارش کوتاه‌مدت در شرایط تغییر اقلیم، با تغییر در شدت و توزیع زمانی بارندگی، بر تولید رواناب، خطر سیل‌گرفتگی شهری و شستشوی آلاینده‌ها تأثیر می‌گذارد. از آنجا که زمان تمرکز حوضه‌های شهری در مقیاس‌های زیرساعتی قرار دارد و خروجی مدل‌های اقلیمی در تفکیک زمانی روزانه ارائه می‌شود، استفاده مستقیم از این داده‌ها برای تحلیل هیدرولوژیکی با محدودیت روبه‌رو است. ازاین‌رو، رفع این شکاف مقیاسی برای دستیابی به داده‌های بارش با تفکیک زمانی مناسب و قابل اتکا در تحلیل‌های هیدرولوژیکی شهری ضروری است. پژوهش حاضر با هدف پیش‌بینی بارش دوره آتی (۲۰۳۰–۲۰۸۰) در حوضه شهری منطقه ۲ تهران، از خروجی چهار مدل گردش عمومی جو در گزارش ششم ارزیابی اقلیم شاملBCC-CSM2-MR ، CNRM-CM6-1، MPI-ESM1-2-HR و NorCPM1 استفاده می‌کند. این مدل‌ها بر اساس همبستگی با داده‌های ایستگاه مهرآباد انتخاب شدند. به‌منظور اصلاح سوگیری داده‌های اقلیمی، روش نگاشت چندکی تجربی (EQM) به کار رفت. سپس، برای کاهش ابعاد فضای پیش‌بین شامل ۱۱۲ متغیر اقلیمی و شناسایی الگوهای همدیدی مؤثر بر بارش، رویکرد تلفیقی مبتنی بر نقشه خودسازمان‌ده (SOM) و معیار اطلاعات متقابل استفاده شد. نتایج خوشه‌بندی، ساختار بهینه شش‌خوشه‌ای را با ضریب سیلوئت 59/0 نشان داد که مبنای شناسایی متغیرهای کلیدی قرار گرفت. به‌منظور ریزمقیاس‌نمایی زمانی بارش، مدل تلفیقی مبتنی بر شبکه عصبی مصنوعی (ANN) و سیستم استنتاج عصبی_فازی تطبیقی (ANFIS) توسعه یافت که در اعتبارسنجی، ضریب همبستگی 7/0 را به دست آورد. در نهایت، با استفاده از نظریه فرکتال، منحنی‌های شدت_مدت_فراوانی استخراج شدند تا مبنایی برای تحلیل‌های هیدرولوژیکی کمی و کیفی حوضه‌های شهری فراهم شود. |
| کلیدواژه ها |
| ریزمقیاس نمایی، مدل های تلفیقی، شبکه خود سازمان ده، تغییر اقلیم، منحنی های IDF |
| وضعیت: پذیرفته شده برای ارائه شفاهی |
