fa 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 هیدرولوژی و برنامه ریزی منابع آب هیدرولوژی و برنامه ریزی منابع آب پژوهشي Research <span style="font-size:11pt"><span style="line-height:107%"><span style="direction:rtl"><span style="unicode-bidi:embed"><span new="" roman="" style="font-family:" times=""><span lang="AR-SA" style="font-size:12.0pt"><span style="line-height:107%"><span b="" nazanin="" style="font-family:">هدف از این تحقیق مقایسه عملکرد مدل&shy;های شبکه عصبی مصنوعی (</span></span></span>ANN<span lang="FA" style="font-size:12.0pt"><span style="line-height:107%"><span b="" nazanin="" style="font-family:">) و شبکه عصبی عمیق (</span></span></span>DNN<span lang="FA" style="font-size:12.0pt"><span style="line-height:107%"><span b="" nazanin="" style="font-family:">)</span></span></span><span lang="AR-SA" style="font-size:12.0pt"><span style="line-height:107%"><span b="" nazanin="" style="font-family:"> در</span></span></span><b> </b><span lang="FA" style="font-size:12.0pt"><span style="line-height:107%"><span b="" nazanin="" style="font-family:">مدلسازی بارش-رواناب رودخانه کشف&shy;رود و</span></span></span> <span lang="FA" style="font-size:12.0pt"><span style="line-height:107%"><span b="" nazanin="" style="font-family:">پیش&shy;بینی اثر تغییر اقلیم بر پارامترهای هواشناسی و دبی رودخانه می&shy;باشد. بدین منظور عملکرد دو مدل از شبکه عصبی مصنوعی (</span></span></span>MLP<span lang="FA" style="font-size:12.0pt"><span style="line-height:107%"><span b="" nazanin="" style="font-family:">) و یادگیری عمیق (</span></span></span>CNN<span lang="FA" style="font-size:12.0pt"><span style="line-height:107%"><span b="" nazanin="" style="font-family:">) در مدل&shy;سازی بارش-رواناب با ورودی&shy;هایی از بارش و دبی روزانه با تاخیرهای مختلف با یکدیگر مقایسه شد. سپس از پیش&shy;بینی مدل </span></span></span>LARS-WG6<span lang="FA" style="font-size:12.0pt"><span style="line-height:107%"><span b="" nazanin="" style="font-family:"> در دوره آتی (2021-2040) در سناریوهای مختلف تغییر اقلیم (</span></span></span>RCP26<span lang="FA" style="font-size:12.0pt"><span style="line-height:107%"><span b="" nazanin="" style="font-family:">، </span></span></span>RCP45<span lang="FA" style="font-size:12.0pt"><span style="line-height:107%"><span b="" nazanin="" style="font-family:"> و </span></span></span>RCP85<span lang="FA" style="font-size:12.0pt"><span style="line-height:107%"><span b="" nazanin="" style="font-family:">) به عنوان ورودی مدل هوش مصنوعی برتر استفاده شده و دبی رودخانه و مقادیر حدی آن پیش&shy;بینی گردید. یافته&shy;های تحقیق نشان داد که مدل </span></span></span>CNN<span lang="FA" style="font-size:12.0pt"><span style="line-height:107%"><span b="" nazanin="" style="font-family:"> 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 </span></span></span>LARS<span dir="LTR" style="font-size:12.0pt"><span style="line-height:107%"><span calibri="" style="font-family:">-</span></span></span>WG6<span lang="FA" style="font-size:12.0pt"><span style="line-height:107%"><span b="" nazanin="" style="font-family:"> 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 </span></span></span>RCP26<span lang="FA" style="font-size:12.0pt"><span style="line-height:107%"><span b="" nazanin="" style="font-family:"> به میزان 14% خواهد بود و حداکثر دبی در سناریوی مذکور حدود 18 درصد افزایش خواهد یافت.</span></span></span><span dir="LTR" style="font-size:12.0pt"><span style="line-height:107%"><span style="font-family:"Calibri",sans-serif"></span></span></span></span></span></span></span></span><br> &nbsp; <span style="font-size:12.0pt"><span style="line-height:107%"><span new="" roman="" style="font-family:" times="">The main objective of this research is to compare the performance of artificial neural network (ANN) and deep neural network (DNN) models in rainfall-runoff modeling of Kashafrood and to predict the effects of climate change on meteorological parameters and river discharge. </span></span></span> بارش-رواناب, تغییر اقلیم, شبکه عصبی مصنوعی, کشف‌رود, یادگیری عمیق Artificial Neural Network, Climate change, Deep learning, Kashafrood, Rainfall-Runoff 82 97 http://journal.hydropower.org.ir/browse.php?a_code=A-10-1012-1&slc_lang=fa&sid=1 Mohammad Hossein Shahani محمد حسین شاهانی hossein2shahani@yahoo.com 2754978372 10031947532846004297 No , Islamic Azad University دانشگاه آزاد اسلامی vahid rezaverdinejad وحید رضاوردی نژاد v.verdinejad@urmia.ac.ir 2754978372 10031947532846004298 Yes Urmia University دانشگاه ارومیه seyed Abbad Hosseini سید عباس حسینی abbas_hoseyni@srbiau.ac.ir 2754978372 10031947532846004299 No , Islamic Azad University دانشگاه آزاد اسلامی