پژوهش آب ایران

پژوهش آب ایران

پیش‌بینی تأثیر تغییر اقلیم بر الگوی هیدرولوژیکی و بار رسوبی حوضه آبریز رودخانه کشکان با استفاده از مدل‌های اقلیمی و هیبریدی فراکاوشی

نوع مقاله : مقاله پژوهشی

نویسندگان
رضا دهقانی 1
ابراهیم نوحانی 2
حمیدرضا باباعلی 3
1 دکترای علوم ومهندسی آب، بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان لرستان، سازمان تحقیقات،
2 استادیارگروه عمران، مرکز تحقیقات مواد و انرژی، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران.
3 دانشیار، گروه مهندسی عمران، دانشگاه آزاد اسلامی واحد خرم آباد، خرم اباد، ایران
10.22034/iwrj.2026.14875.2625
چکیده
این پژوهش به بررسی تأثیر پدیده تغییر اقلیم بر الگوی هیدرولوژیکی و میزان بار رسوبی حوضه آبریز رودخانه کشکان در استان لرستان می‌پردازد. با استفاده از مدل پیش‌بینی کننده اقلیمی Can ESM5.0 از گزارش ششم CMIP6 و بر اساس سناریوهای SSP1-2-6 (خوش‌بینانه) و SSP5-8-5 (بدبینانه)، تغییرات پارامترهای جوی (دما و بارش) برای دوره آتی 2023 تا 2043، با در نظر گرفتن دوره پایه 1992 تا 2023، پیش‌بینی شد. سپس، با بهره‌گیری از مدل‌های هیبریدی فراکاوشی شامل شبکه عصبی مصنوعی-موجک، شبکه عصبی مصنوعی-ازدحام مرغ و شبکه عصبی مصنوعی-ازدحام ذرات ، میزان رسوبات رودخانه کشکان با استفاده از پارامترهای بارش، دما و دبی جریان پیش‌بینی گردید. نتایج نشان داد که مدل Can ESM5.0 در شبیه‌سازی دمای حداکثر و حداقل دقت بالایی دارد، اما در شبیه‌سازی بارش خطای بیشتری را نشان می‌دهد. پیش‌بینی‌های دمایی حاکی از افزایش دما در هر دو سناریو SSP1-2-6 و SSP5-8-5 در دوره 2023 تا 2043 بود، با افزایش بیشتر دما در سناریوی SSP5-8-5 در پیش‌بینی بارش، تفاوت‌های قابل‌توجهی بین مدل‌ها مشاهده شد، به‌طوری‌که مدل BCC-CSM2-MR بارش بسیار بالاتری را در ماه‌های ژوئن تا اکتبر پیش‌بینی کرد. ارزیابی عملکرد مدل‌های هیبریدی نیز نشان داد که ساختارهای ترکیبی شامل کلیه پارامترهای ورودی، به دلیل افزایش حافظه، عملکرد بهتری دارند و در این میان، مدل شبکه عصبی مصنوعی-موجک با دقت بیشتر و خطای کمتر نسبت به سایر مدل‌ها برتر است. نهایتاً، نتایج پیش‌بینی بار رسوبی در سال‌های آتی حاکی از افزایش 23 درصدی میزان رسوبات رودخانه است که لزوم توجه جدی به مدیریت جامع حوضه آبریز و اجرای برنامه‌های کنترل فرسایش و رسوب‌زدایی را بیش‌ازپیش نمایان می‌سازد.
کلیدواژه‌ها
پیش‌بینی هیدرولوژیکی
تغییر اقلیم
حوضه آبریز کشکان
مدل گردش عمومی جو
مدل‌های هیبریدی فراکاوشی
موضوعات
1.    Eberhart, R. and Kennedy, J., 1995. A New Optimizer Using Particle Swarm Theory Proc. Sixth International Symposium on Micro Machine and Human Science, Nagoya, Japan, Piscataway. NJ: IEEE Service Center, 15(1), pp.39-43. https://doi.org/10.1109/MHS.1995.494215
 
2.    Hornik, K., 1998. Multilayer feed-forward networks are universal approximators. Neural Networks, 2(5), pp.359–366. https://doi.org/10.1016/08936080(89)90020-8
 
3.    Irwin, A.J., Nelles, A.M. and Finkel, Z.V., 2012.  Phytoplankton niches estimated from field data. Limnol Oceanogr, 57, 787–797 .https://doi.org/10.4319/lo.2012.57.3.0787
 
4.    Jaiswal, R.K., Tiwari, H.L. and Lohani, A. K., 2017. Assessment of climate change impact on rainfall for studying water availability in upper Mahanadi catchment, India. Journal of Water and Climate Change, 8 (4), pp.755–770. https://doi.org/10.2166/wcc.2023.037
 
5.    Kido, R., Inoue, T., Hatono, M. and Yamanoi, K., 2023. Assessing the impact of climate change on sediment discharge using a large ensemble rainfall dataset in Pekerebetsu River basin, Hokkaido. Prog Earth Planet Science, 10, pp.54 -68. https://doi.org/10.1186/s40645-023-00580-0
 
6.    Hosseini, R., Takemura, A. and Hosseini, A., 2015. Non-linear time-varying stochastic models for agroclimate risk assessment. Environmental and Ecological Statistics, 22(2), pp.227–246.https://doi.org/10.1007/s10651-014-0295-2
 
7.    Neverman, A., Donovan, M., Smith, H., Gaelle Ausseil, A. and Zammit, C., 2023. Climate change impacts on erosion and suspended sediment loads in New Zealand. Geomorphology, 427, 108-122.https://doi.org/10.1016/j.geomorph.2023.108607
 
8.    Nourani, V., Kisi, Ö. and Komasi, M., 2011. Two hybrid artificial intelligence approaches for modeling rainfall–runoff process. Journal of Hydrology, 402(2), pp.41–59. https://doi.org/10.1016/j.jhydrol.2011.03.002
 
9.    Nourani, V., Alami, M.T. and Aminfar, M.H., 2009. A combined neural-wavelet model for prediction of Ligvanchai watershed precipitation. Engineering Applications of Artificial Intelligence, 22(2), pp.466-472. https://doi.org/10.1016/j.engappai.2008.09.003
 
10. Pandey, D., Tiwari, A.D. and Mishra, V., 2022. On the occurrence of the observed worst flood in Mahanadi River basin under the warming climate. Weather and Climate Extremes,38,100520. https://doi.org/10.1016/j.wace.2022.100520
 
11. Jahangir, M.H., Haghighi,P. and Danehkar, S., 2022. Downscaling climate parameters in Fars province, using models of the fifth report and RCP scenarios. Ecological Informatics, 68,pp.112-128. https://doi.org/10.1016/j.ecoinf.2022.101558
 
12. Ranjan, R. and Mishra, A., 2023. Climate change impact on streamflow and suspended sediment load in the flood-prone river basin Open Access. Journal of Water and Climate Change, 14 (7), pp.2260–2276. https://doi.org/10.2166/wcc.2023.037
 
13. Riahi, K., Van Vuuren, D.P., Kriegler, E., Edmonds, J., O’neill, B.C., Fujimori, S., Bauer, N., Calvin, K., Dellink, R., Fricko, O. and Lutz, W., 2017. The shared socioeconomic pathways and their energy, land use, and greenhouse gas emissions implications: An overview. Global Environ. Change, 42, pp.68-153. https://doi.org/10.1016/j.gloenvcha.2016.05.009
 
14. Saha, A., Ghosh, S., Sahana, A. S. and Rao, E. P., 2014. Failure of CMIP5 climate modelsin simulating post-1950 decreasing trend of Indian monsoon. Geophysical Research Letters, 41 (20), pp.7323–7330. https://doi.org/10.1002/2014GL061573
 
15. Shadkani, S., Hemmatzadeh, Y., Pak, A. and Abolfathi, S. 2025. Prediction of suspended sediment concentration in fluvial flows using novel hybrid deep learning model.International Journal of Sediment Research, 40(4), pp.573-587.https://doi.org/10.1016/j.ijsrc.2025.02.004
 
16. Shin, S., Kyung, D., Lee, S., Taik and Kim, J. and Hyun, J., 2005. An application of support vector machines in bankruptcy prediction model. Expert Systems with Applications, 28(4), pp.127-135. https://doi.org/10.1016/j.eswa.2004.08.009
 
17. Shrestha, B., Cochrane, T.A., Caruso, B. S., Arias, M. E. and Piman, T., 2016. Uncertainty in flow and sediment projections due to future climate scenarios for the 3S Rivers in the Mekong Basin. Journal of Hydrology, 540, pp.1088–1104. https://doi.org/10.1016/j.jhydrol.2016.07.019
 
18. Shrivatava, M., Prasad, V. and Khare, R., 2015. Multi-objective optimization of water distribution system using particle swarm optimization. Journal of Mechanic Civil Engineering, 12(1), pp.21–28. https://doi.org/10.5004/dwt.2021.26944
 
19. Tan, M.L., Gassman, P. W., Yang, X. and Haywood, J., 2020. A review of SWAT applications, performance and future needs for simulation of hydro-climatic extremes. Advances in Water Resources, 143, 103662. https://doi.org/10.1016/j.advwatres.2020.103662
 
20. Wang, D., Safavi, A.A. and Romagnoli, J.A., 2000. Wavelet-based adaptive robust M-estimator for non-linear system identification. AIChE Journal, 46(4), pp.1607-1615. https://doi.org/10.1002/aic.690460812
 
21. Zhang, G., Deng, A., Chen, J., Wang, D., Yin, Y. and Wang, H., 2024. Impacts of climate change and human activities on sediment load in Longchuan River Basin, China. Journal of Hydrology: Regional Studies, 51, pp.613-632. https://doi.org/10.1016/j.ejrh.2023.101613
 
22. Zhang, A.A., Williams, J. and Davies, T., 2023. Modeling climate change impacts on sediment transport in the Nina River, New Zealand, using GCMs and neural networks. Journal of Hydrology, Regional Studies, 45(2), pp.234-252. https://doi.org/10.1016/j.ejrh.2023.101234
 
23. Zouache, D., Arby, Y. O., Nouioua, F. and Abdelaziz, F.B., 2019. Multi-objective chicken swarm optimization: A novel algorithm for solving multi-objective optimization problems. Computers and Industrial Engineering, 129, pp.377-391. https://doi.org/10.1016/j.cie.2019.01.055
 
24. Zeidalinejad, N. and Dehghani, R., 2023. Use of meta-heuristic approach in the estimation of aquifer's response to climate change under shared socioeconomic pathways. Groundwater for Sustainable Development, 20(4), pp.112-132. https://doi.org/10.1016/j.gsd.2022.100882 

  • تاریخ دریافت 01 شهریور 1404
  • تاریخ بازنگری 01 دی 1404
  • تاریخ پذیرش 16 دی 1404
  • تاریخ انتشار 01 فروردین 1405