عنوان

شبیه سازی رواناب ورودی به سد یامچی اردبیل تحت تاثیر سناریوهای تغییر اقلیم

Number

پ۲۴۸۱۵

.Language of Text, Soundtrack etc

per

Title Proper

شبیه سازی رواناب ورودی به سد یامچی اردبیل تحت تاثیر سناریوهای تغییر اقلیم

First Statement of Responsibility

میلاد علیزاده جبه دار

Name of Publisher, Distributor, etc.

کشاورزی

Date of Publication, Distribution, etc.

۱۴۰۰

Specific Material Designation and Extent of Item

۱۶۲ص.

Accompanying Material

سی دی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

علوم و مهندسی آب – منابع آب

Date of degree

۱۴۰۰/۰۶/۰۱

Text of Note

در راستای شبیه¬سازی دقیق¬تر رواناب ورودی به سد یامچی اردبیل ابتدا تعداد 55 مدل گردش عمومی (GCM) مربوط به گزارش¬های چهارم، پنجم و ششم هیئت بین¬دولتی تغییر اقلیم (IPCC) با کاربرد شاخص ضریب همبستگی پیرسون (PCC) مابین مقادیر بارش ماهانه¬ ایستگاه سینوپتیک اردبیل و مدل GCM در دوره پایه مشترک (2014-1976) و در چهار نقطه شبکه¬ مدل¬ها در اطراف محدوده مطالعاتی مورد مقایسه قرارگرفتند و مدل ACCESS-ESM1.5 تحت جدیدترین گزارش IPCC (گزارش ششم) به ترتیب با ضرایب PCC برابر با 3/0، 44/0، 44/0 و 39/0 به عنوان مناسب¬ترین مدل گردش عمومی به جهت مطالعه¬ تغییرات آتی متوسط ماهانه بارش و دما انتخاب گردید. در گام بعدی، پس از انتخاب غالب¬ترین متغیرهای پیش¬بینی¬کننده¬ی مدل ACCESS-ESM1.5 با کاربرد مدل درخت تصمیم (M5 Tree) با توجه به عملکرد مطلوب آن به خصوص برای پارامتر دما با شاخص آماری PCC برابر با 95/0 (دما) و 72/0 (بارش)، با اعمال متغیرهای پیش¬بینی¬کننده به عنوان ورودی مدل ریزمقیاس¬نمایی آماری شبکه عصبی مصنوعی پیشرو (FFNN)، پارامترهای بارش و دما برای دوره پایه (2014-1976) با مقادیر شاخص¬های آماری مطلوب PCC و RMSE به ترتیب برابر با 94/0 و 59/2 درجه سانتی¬گراد (دما) و 62/0 و 43/9 میلی¬متر بر ماه (بارش) مربوط به مرحله آزمون، ریزمقیاس شدند. در ادامه، بعد از اثبات قابلیت مدل شبکه عصبی، پیش¬بینی تغییرات متوسط دما و بارش ماهانه در طی دوره¬های آینده نزدیک (2060-2021) و آینده دور (2100-2061) تحت سناریوهای خط سیرهای مشترک اجتماعی-اقتصادی (SSP) مربوط به مدل جفت¬شده¬ی فاز ششم (CMIP6) مذکور به انجام رسید. به طور کلی نتایج نشان داد که این متغیرها در هر دو دوره آتی در مقیاس ماهانه دارای نوسانات متعددی خواهند بود. از نظر مقیاس سالانه نیز، روندی افزایشی خواهند داشت و شاهد وقوع فصول گرم¬تر و با بارش بیش¬تری خصوصا در تابستان و زمستان خواهیم بود. کاربرد روش دومارتن نیز نشان داد که تغییرات دما و بارش در دوره¬های آینده منجر به تغییر نوع اقلیم نمی-گردد و اقلیم نیمه¬خشک تا انتهای قرن (2100-2021) در محدوده مطالعاتی سد یامچی حکم فرما خواهد بود. نتایج نمودار آمبروترمیک برای دوره¬های آینده نیز نشان¬دهنده آن بود که به طور متوسط از ابتدای ماه می (اردیبهشت) تا نیمه ماه اکتبر (مهر) به مدت شش ماه جزو ماه¬های خشک و مابقی ماه¬ها جزو ماه¬های مرطوب سال خواهند بود. با کاربرد شاخص¬های آماری، بصری و تحلیل حساسیت دیاگرام تیلور ثابت گردید که الگوریتم هیبریدی عصبی کرم شب¬تاب (MLP-FFA12) با مقادیر PCC و RMSE به ترتیب برابر با 879/0 و 61/0 مترمکعب بر ثانیه نسبت به دو مدل شبکه عصبی مصنوعی کلاسیک (MLP) و الگوریتم هیبریدی عصبی ازدحام ذرات (MLP-PSO) در زمینه¬ شبیه¬سازی رواناب ورودی به سد یامچی در مقیاس ماهانه در دوره پایه (2019-2002) قدرت بالایی دارد. با اعمال ورودی¬های بارش فعلی (Pt)، دمای فعلی (Tt) و دما با دو تاخیر (Tt-2) تحت سناریوی MLP-FFA13 به دلیل دخالت فرآیند بارش در ورودی¬ها و هم¬چنین مشابهت دقت آن در قیاس با بهترین سناریو (MLP-FFA12)، تغییرات رواناب در دوره آینده نزدیک (2060-2021) و آینده دور (2100-2061) نشان داد که به ترتیب بیشترین افزایش رواناب متوسط ماهانه نسبت به دوره پایه به میزان 94/0 مترمکعب بر ثانیه در ماه می (اردیبهشت) تحت سناریوی SSP3-7.0 (واداشت نسبتا زیاد) و به میزان 63/0 مترمکعب بر ثانیه در ماه فوریه (بهمن) تحت سناریوی SSP2-4.5 (واداشت متوسط) رخ خواهد داد که می¬تواند به دلیل بارش بیشتر و هم¬چنین آب شدن برف¬های کوهستانی در این دو ماه از سال باشد. متوسط تغییرات فصلی رواناب سد یامچی طی دوره¬¬ی آینده¬ نزدیک و آینده دور نشان داد که به طور کلی مخزن سد یامچی شاهد ورود رواناب بیشتری در فصول تابستان و زمستان نسبت به فصول متناظر در دوره پایه (2019-2002) خواهد بود. در مقیاس سالانه نیز افزایش رواناب تحت تمامی سناریوهای SSP در هر دو دوره آتی بدست آمده است؛ به گونه¬ای که در آینده نزدیک و آینده دور رواناب حوضه سد یامچی نسبت به دوره پایه به ترتیب به میزان حداکثر 8/8 درصد (SSP3-7.0) و 6/4 درصد (SSP1-2.6) در مقیاس سالانه افزایش خواهد یافت. در نهایت بررسی روند تغییرات سری زمانی رواناب در دوره¬های آینده نزدیک و آینده دور نشان داد که نوسانات سری زمانی آن¬ها دارای شیب کاهشی محسوسی است؛ به گونه¬ای که بیشترین روند کاهشی با شیب 21/0 درصد تحت سناریوی SSP1-2.6 (واداشت کم) برای آینده نزدیک و با شیب 39/0 درصد تحت سناریوی SSP3-7.0 تحت مدل فاز ششم ACCESS-ESM1.5 به ثبت رسیده است.

Text of Note

For Simulating the inflow to Ardabil Yamchi Dam, 55 general circulation models (GCM) related to the fourth, fifth and sixth reports of the Intergovernmental Panel on Climate Change (IPCC) using Pearson correlation coefficient (PCC) between the monthly precipitation values of Ardabil Synoptic Station and The GCM model was compared in the common base period (1976-2014) and at four network points of the models around the study area, and the ACCESS-ESM1.5 model under the latest IPCC report (sixth report) with PCC coefficients, respectively. With 0.3, 0.44, 0.44 and 0.39 was selected as the most suitable general circulation model to study the future monthly changes of average monthly rainfall and temperature. In the next step, after selecting the most dominant predictor variables of the ACCESS-ESM1.5 model using the decision tree model (M5 Tree) according to its optimal performance, especially for the temperature parameter with PCC statistical index equal to 0.95 (temperature) and 0.72 (precipitation), by applying predictive variables as input to the leading artificial neural network microscale (FFNN) statistical model, precipitation and temperature parameters for the baseline period (1976-2014) With the values of optimal PCC and RMSE statistical indices equal to 0.94 and 2.59 °C (temperature) and 0.62 and 9.43 mm/month (precipitation) related to the test phase, subscale, respectively. Then, after proving the capability of the neural network model, predicting the average changes in temperature and monthly precipitation during the near future (2021-2060) and the distant future (2061-2100) under the Shared Socioeconomic Pathways (SSPs) scenarios Related to the mentioned sixth phase paired model (CMIP6). In general, the results showed that these variables will have several fluctuations in the next two periods on a monthly scale. In terms of annual scale, they will have an increasing trend and we will see the occurrence of warmer seasons with more rainfall, especially in summer and winter. The application of the Domarten method also showed that changes in temperature and precipitation in future periods will not lead to climate change and the semi-arid climate will dominate the study area of Yamchi Dam until the end of the century (2021-2100). The results of the Ombrothermic diagram for future periods also showed that on average from the beginning of May (May) to mid-October (October) for six months are dry months and the rest of the months are wet months. Using statistical, visual and sensitivity analysis of Taylor diagram, it was proved that the neural hybrid algorithm (MLP-FFA12) with PCC and RMSE values of 0.879 and 0.61 m3/s, respectively, compared to the two the classical artificial neural network (MLP) model and the particle swarm neural hybrid algorithm (MLP-PSO) have great power in simulating the incoming runoff to the Yamchi Dam on a monthly scale in the base period (2002-2009). By applying the inputs of current precipitation (Pt), current temperature (Tt) and temperature with two latency (Tt-2) under MLP-FFA13 scenario due to the interference of the precipitation process in the inputs as well as the similarity of its accuracy compared to The best scenario (MLP-FFA12), runoff changes in the near future (2021-2060) and the distant future (2061-2100) showed that the highest increase in average monthly runoff compared to the base period of 0.94 m3/s in May (May) under the scenario of SSP3-7.0 (relatively high compulsion) and at the rate of 0.63 cubic meters per second in February (February) under the scenario of SSP2-4.5 (medium compulsion) which can be due to more rainfall And also the melting of mountain snow in these two months of the year. The average seasonal changes of Yamchi Dam runoff during the near and distant future period showed that in general, Yamchi Dam reservoir will see more runoff in summer and winter seasons than the corresponding seasons in the base period (2002-2009). On an annual basis, runoff increases have been achieved under all SSP scenarios in the next two periods; In the near future and in the future, the runoff of Yamchi dam basin will increase by a maximum of 8.8% (SSP3-7.0) and 4.6% (SSP1-2.6) on an annual scale compared to the base period, respectively. Finally, the study of runoff time series changes in the near and distant future periods showed that their time series fluctuations have a significant decreasing slope. The highest decreasing trend was recorded with a slope of 0.21% under SSP1-2.6 scenario (low induction) for the near future and with a slope of 0.39% under SSP3-7.0 scenario under the sixth phase model ACCESS-ESM1.5. Therefore, a more detailed study to know the status of runoff and its management in the long-period is important

Variant Title

Simulation of the inflow to Ardabil Yamchi Dam under the influence of climate change scenarios

Entry Element

‏علیزاده جبه دار،

Part of Name Other than Entry Element

‏‏ میلاد

Relator Code

تهيه کننده

Entry Element

‏اسدی

Entry Element

‏ قربانی،

Part of Name Other than Entry Element

‏ اسماعیل

Part of Name Other than Entry Element

‏ محمدعلی

Dates

استاد راهنما

Dates

استاد راهنما

Entry Element

‏ تبریز