هدف از این تحقیق مقایسه عملکرد مدلهای شبکه عصبی مصنوعی (ANN) و شبکه عصبی عمیق (DNN) درمدلسازی بارش-رواناب رودخانه کشفرود وپیشبینی اثر تغییر اقلیم بر پارامترهای هواشناسی و دبی رودخانه میباشد. بدین منظور عملکرد دو مدل از شبکه عصبی مصنوعی (MLP) و یادگیری عمیق (CNN) در مدلسازی بارش-رواناب با ورودیهایی از بارش و دبی روزانه با تاخیرهای مختلف با یکدیگر مقایسه شد. سپس از پیشبینی مدل LARS-WG6 در دوره آتی (2021-2040) در سناریوهای مختلف تغییر اقلیم (RCP26، RCP45 و RCP85) به عنوان ورودی مدل هوش مصنوعی برتر استفاده شده و دبی رودخانه و مقادیر حدی آن پیشبینی گردید. یافتههای تحقیق نشان داد که مدل CNN با ورودی بارندگی با تاخیر صفر تا 2 روز و دبی رودخانه با تاخیر 1 روز بهترین عملکرد را در مدلسازی دبی رودخانه داشت. پیشبینیهای LARS-WG6 نشان داد که افزایش حداقل و حداکثر دما در آینده در ماههای مختلف در محدوده 3/0 تا 1/2 درجه سانتیگراد خواهد بود. بارندگی سالانه در همه سناریوهای تغییر اقلیم در آینده افزایش خواهد یافت. بیشترین افزایش بارندگی سالانه در آینده نسبت به دوره پایه در سناریوی RCP26 به میزان 14% خواهد بود و حداکثر دبی در سناریوی مذکور حدود 18 درصد افزایش خواهد یافت.
Shahani M H, rezaverdinejad V, Hosseini S A. Comparison of artificial neural network and deep learning models in rainfall-runoff modeling of Kashafrood river and predicting climate change impact on meteorological parameters and river flow. Iranian Dam and Hydroelectric Powerplant 2023; 10 (33) :82-97 URL: http://journal.hydropower.org.ir/article-1-508-fa.html
شاهانی محمد حسین، رضاوردی نژاد وحید، حسینی سید عباس. مقایسه مدلهای شبکه عصبی مصنوعی و یادگیری عمیق در مدلسازی بارش-رواناب رودخانه کشفرود و پیشبینی اثر تغییر اقلیم بر پارامترهای هواشناسی و دبی رودخانه. سد و نیروگاه برق آبی ایران. 1402; 10 (33) :82-97