ارزیابی اثرات تغییر اقلیم بر دبی رودخانه با استفاده از مدل CMIP6، مطالعه موردی: ایستگاه هیدرومتری کشکان

نوحانی, ابراهیم; باباعلی, حمیدرضا; دهقانی, رضا

doi:10.22034/hyd.2025.69085.1814

ارزیابی اثرات تغییر اقلیم بر دبی رودخانه با استفاده از مدل CMIP6، مطالعه موردی: ایستگاه هیدرومتری کشکان

نوع مقاله : پژوهشی

نویسندگان

¹ استادیارگروه عمران، مرکز تحقیقات مواد و انرژی، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران

² دانشیار گروه مهندسی عمران، دانشگاه آزاد اسلامی خرم اباد، خرم اباد، ایران

³ دکترای علوم ومهندسی آب، بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان لرستان، سازمان تحقیقات،

10.22034/hyd.2025.69085.1814

چکیده

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 داده‌های تاریخی طی سالهای 2022-1992 می‌پردازد. در گام بعدی، از پیش‌بینی‌های اقلیمی مدل‌های گردش عمومی جو (GCMs) تحت سناریوهای مختلف انتشار گازهای گلخانه‌ای برای پیش‌بینی 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 پیش‌بینی می‌کند، اما در تخمین بارش با خطا همراه است، در حالی که مدل BCC-CSM2-MR بارش بیشتری را در فصول گرم‌تر تخمین می‌زند. پیش‌بینی‌ها برای دوره 2023 تا 2043 تحت سناریوهای مختلف انتشار گازهای گلخانه‌ای 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 مدل‌های مختلف نیز تفاوت قابل توجه

کلیدواژه‌ها

موضوعات

هیدرولوژی

عنوان مقاله [English]

Assessing the effects of climate change on river discharge using the CMIP6 model , Case study: Kashkan hydrometric station

نویسندگان [English]

ebrahim nohani ¹
Hamidreza Babaali ²
Reza Dehghani ³

¹ Assistant Professor, Department of Civil Engineering, Materials and Energy Research Center, Dez. C., Islamic Azad University, Dezful, Iran.

² Associate Professor, Department of Civil Engineering, Islamic Azad University, Khorramabad branch, Khorramabad, Iran

³ PhD in Water Sciences and Engineering, Department of Soil Conservation and Watershed Management, Lorestan Province Agriculture and Natural Resources Research and Education Center, Areeo, Khorramabad, Iran

چکیده [English]

Firstly, it compares and selects the most efficient hybrid artificial intelligence model (Wavelet Support Vector Regression, Whale Optimization Algorithm-Support Vector Regression, and Particle Swarm Optimization-Support Vector Regression) for accurate discharge estimation based on historical data from 1992-2022. In the next step, climate projections from General Circulation Models (GCMs) under various greenhouse gas emission scenarios are used to predict the future trend of river discharge from 2023-2043. Additionally, statistical indices such as the correlation coefficient, root mean square error, mean absolute error, and Nash-Sutcliffe efficiency coefficient were used to compare the performance of the hybrid models investigated. The results from evaluating the hybrid models showed that the Wavelet-Support Vector Regression model demonstrated better performance compared to other models studied, with the highest correlation coefficient of 0.980, the lowest root mean square error of 0.372, the lowest mean absolute error of 0.174, and the highest Nash-Sutcliffe efficiency coefficient of 0.985. Furthermore, the results from the evaluation of the LARS-WG model indicated that the CanESM5.0 model accurately predicts maximum and minimum temperatures but has errors in precipitation estimation, while the BCC-CSM2-MR model estimates higher precipitation during warmer seasons. Projections for the period 2023 to 2043 under different greenhouse gas emission scenarios, SSP126 and SSP585, suggest an increase in temperature, particularly in the high emission scenario SSP585, and uncertain fluctuations in precipitation amounts, with significant differences in these fluctuations among different models. Overall, the results of the flow prediction in the coming years indicated a significant decrease in the river’s discharge in the future.

کلیدواژه‌ها [English]