ارزیابی پاسخ تراز آب زیرزمینی به سناریوهای تغییر اقلیم با به‌کارگیری رویکرد ترکیبی ریزمقیاس‌سازی آماری و مدل هوش مصنوعی (مطالعه موردی: دشت مراغه-بناب)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد مدیریت منابع آب، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه مراغه، مراغه، ایران.

2 دانشیار، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه مراغه، مراغه، ایران.

چکیده

تغییر اقلیم و فعالیت‌های انسانی فشار مضاعفی بر منابع آب زیرزمینی در مناطق خشک و نیمه‌خشک، به‌ویژه در خاورمیانه، وارد کرده‌اند. علاوه‌بر اثرات اقلیمی، برداشت بیش‌ازحد از آبخوان‌ها در دشت‌های آبرفتی، منجر به افت تراز آب، کاهش کیفیت و تخریب اکوسیستم‌ها شده است. از این رو، ارزیابی دقیق این روندها برای مدیریت پایدار منابع آب ضروری است. در این پژوهش، به منظور پیش‌بینی اثرات تغییر اقلیم بر تراز آب زیرزمینی در چاه نمونه از دشت مراغه-بناب، از یک رویکرد ترکیبی اقلیمی-هوش مصنوعی استفاده شد. ابتدا متغیرهای اقلیمی با بهره‌گیری از مدل میانگین مدل‌های گردش عمومی جو پروژه CMIP6 و مدل تولیدکننده تصادفی LARS-WG، تحت دو سناریوی انتشار برای دوره‌های آتی ریزمقیاس‌سازی شدند. جهت مدل‌سازی ارتباط غیرخطی و پیچیده میان متغیرهای اقلیمی و تراز آب زیرزمینی، از مدل عمیق حافظه طولانی کوتاه‌مدت (LSTM) برای شبیه‌سازی و پیشنمایی تراز آب زیرزمینی استفاده گردید. نوآوری کلیدی این پژوهش، تلفیق داده‌های نوین اقلیمی با معماری یادگیری عمیق و لحاظ نمودن اثر تأخیرهای زمانی متغیرهای هیدرولوژیکی و اقلیمی جهت ارتقای دقت پیش‌بینی‌ها است. نتایج پیشنمایی‌های اقلیمی حاکی از روند افزایشی معنادار دما در تمامی ماه‌ها و تغییر در توزیع زمانی بارش‌ها است که منجر به افزایش تبخیر و تعرق و کاهش تغذیه طبیعی آبخوان می‌شود. مدل LSTM نشان داد که تحت سناریوی‌های اقلیمی، تراز آب زیرزمینی با افت قابل‌توجهی مواجه خواهد شد. این کاهش تراز، پیامد مستقیم اثرات همزمان کاهش تغذیه اقلیمی و افزایش تقاضا برای منابع آب است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Assessment of Groundwater Level Response to Climate Change Scenarios Using a Combined Statistical Downscaling and Artificial Intelligence Model (Case study: Maragheh–Bonab Plain)

نویسندگان [English]

  • Ali Azhdarzadeh Oskui 1
  • Mahdi Rabbanizadeh 1
  • Sina Sadeghfam 2
  • Seyed Bahman Mousavi 2
1 Master’s student of Water Resources Management, Department of Civil Engineering, Faculty of Engineering, University of Maragheh, Maragheh, Iran.
2 Associate Professor, Department of Civil Engineering, Faculty of Engineering, University of Maragheh, Maragheh, Iran.
چکیده [English]

Climate change and human activities have exerted immense pressure on groundwater resources in arid and semi-arid regions, particularly in the Middle East. In addition to climatic impacts, over-extraction from aquifers in alluvial plains has led to water level decline, water quality degradation, and ecosystem destruction. Recent studies indicate that the intensification of water stress and droughts in these regions is driven by rising temperatures due to global warming and subsequent changes in groundwater levels; therefore, an accurate assessment of these trends is essential for sustainable water resources management. In this study, a hybrid climate-artificial intelligence approach was employed to predict the impacts of climate change on the groundwater level of selected well in the Maragheh-Bonab plain. Initially, climatic variables were downscaled for future periods using an ensemble of Global Climate Models (GCMs) from the CMIP6 project and the LARS-WG stochastic weather generator under two emission scenarios. To model the complex and non-linear relationship between climatic variables and water resources, a Long Short-Term Memory (LSTM) deep neural network was utilized to simulate and forecast groundwater levels. The key innovation of this research is the integration of novel climate data with deep learning architecture and the incorporation of the time-lag effects of hydroclimatic variables to enhance prediction accuracy. Climate projection results indicate a significant increasing trend in temperature across all months and a shift in the temporal distribution of precipitation, leading to increased evapotranspiration and reduced natural aquifer recharge. Furthermore, the LSTM model demonstrated that under the projected climate scenarios, the groundwater level will experience a substantial decline. This drawdown is a direct consequence of the simultaneous effects of reduced climate-driven recharge and increased demand for water resources.

کلیدواژه‌ها [English]

  • Artificial Intelligence
  • Climate Change
  • CMIP6
  • Groundwater Level
  • LSTM model

مراجع

خارا، س.، صادقی لاری، ع.، سامانی، س.، ۱۴۰۴. شبیه‌سازی عددی آب زیرزمینی با استفاده از مدل ریاضی (مطالعه موردی: آبخوان کهورستان، استان هرمزگان). هیدروژئولوژی، ۱۰(۱): ۵۰–۶۰.
خیاط، ا.، امیرآبادی‌زاده، م.، پوررضا بیلندی، م.، خزیمه‌نژاد، ح.، ۱۴۰۰. پیش‌بینی سطح آب زیرزمینی دشت بیرجند با استفاده از شبکه عصبی- فازی تحت تأثیر تغییر اقلیم. مجله آبخوان و قنات، ۳(۱): ۳۸-۵۱ .
سمیعی دستجردی، ر.، حیات‌زاده، م.، فتح‌الله‌زاده، ع.، فتوحی فیروزآباد، ف.، ۱۴۰۳. شبیه‌سازی آب زیرزمینی با استفاده از سیستم هوش مصنوعی (مطالعه موردی: حوزه آبخیز کمه استان اصفهان). هیدروژئولوژی، ۹(۲): ۶۵–۷۶.
Afruzi, A., Zare Abyaneh, H., Abdolabadi, H., 2021. Local strategies to manage groundwater depletion under climate change scenarios—a case study: Hamedan-Bahar Plain (Iran). Arabian Journal of Geosciences, 14: 1548.
Al Atawneh, D., Cartwright, N., Bertone, E., 2021. Climate change and its impact on the projected values of groundwater recharge: A review. Journal of Hydrology, 601: 126602.
Al-Gamal, S., 2021. The potential impacts of climate change on groundwater management in west Africa. Water Productivity Journal (WPJ), 1(3).
Allen, M., Antwi-Agyei, P., Aragon-Durand, F., Babiker, M., Bertoldi, P., Bind, M., et al., 2019. Technical Summary: Global warming of 1.5 °C. In: An IPCC Special Report on the impacts of global warming of 1.5 °C above pre-industrial levels… IPCC.
Anderson, M.P., Woessner, W.W., Hunt, R.J., 2015b. Chapter 6 – More on Sources and Sinks. In: Anderson, M.P., Woessner, W.W., Hunt, R.J. (Eds.), Applied Groundwater Modeling (Second Edition). Academic Press, San Diego, pp. 257–301.
Aryasadr, M., Rahimi, D., Amiri, H., Zand, M., 2024. Impact of Climate Change on Groundwater in Cham Anjir Aquifer. Spatial Planning, 14(4): 53–80.
Epting, J., Michel, A., Affolter, A., Huggenberger, P., 2021. Climate change effects on groundwater recharge and temperatures in Swiss alluvial aquifers. Journal of Hydrology X, 11: 100071.
Gemitzi, A., Ajami, H., Richnow, H.H., 2017. Developing empirical monthly groundwater recharge equations based on modeling and remote sensing data – Modeling future groundwater recharge to predict potential climate change impacts. Journal of Hydrology, 546: 1–13.
Goderniaux, P., Brouyère, S., Blenkinsop, S., Burton, A., Fowler, H.J., Orban, P., Dassargues, A., 2011. Modeling climate change impacts on groundwater resources using transient stochastic climatic scenarios. Water Resources Research, 47: W12516.
Green, T.R., Taniguchi, M., Kooi, H., Gurdak, J.J., Allen, D.M., Hiscock, K.M., Treidel, H., Aureli, A., 2011. Beneath the surface of global change: Impacts of climate change on groundwater. Journal of Hydrology, 405: 532–560.
Hashemi, H., Uvo, C.B., Berndtsson, R., 2015. Coupled modeling approach to assess climate change impacts on groundwater recharge and adaptation in arid areas. Hydrology and Earth System Sciences, 19(10): 4165–4181.
Hughes, A., Mansour, M., Ward, R., Kieboom, N., Allen, S., Seccombe, D., Charlton, M., Prudhomme, C., 2021. The impact of climate change on groundwater recharge: National-scale assessment for the British mainland. Journal of Hydrology, 598: 126336.
Hughes, J.D., Langevin, C.D., Banta, E.R., 2017. Documentation for the MODFLOW 6 Framework. US Geological Survey, Reston, Virginia, 2328-7055.
Jahangir, M.H., Haghighi, P., Danehkar, S.H., 2022. Downscaling climate parameters in Fars province using models of the fifth report and RCP scenarios. Ecological Informatics, 68(4): 558–562.
Jakeman, A.J., Barreteau, O., Hunt, R.J., Rinaudo, J.D., Ross, A., 2016. Integrated Groundwater Management. Springer Nature, 762 p.
Khara, S., Sadeghi Lari, A., Samani, S., 2025. Numerical Simulation of Groundwater Using Mathematical Model (Case Study: Kahorestan Aquifer, Hormozgan Province, Southern Iran). Hydrogeology, 10(1): 50–60. [In Persion]
Khayyat, E., Amirabadi-Zadeh, M., Pourreza Bilandi, M., Khozimeh-Nezhad, H., 2021. Prediction of groundwater level in Birjand Plain using the Fuzzy Artificial Neural network under the effects of climate change, 3(1): 38–51. [In Persion]
Mustafa, S.M.T., Hasan, M.M., Saha, A.K., Rannu, R.P., Van Uytven, E., Willems, P., Huysmans, M., 2019. Multi-model approach to quantify groundwater-level prediction uncertainty using an ensemble of global climate models and multiple abstraction scenarios. Hydrology and Earth System Sciences, 23: 2279–2303.
Nohani, E., Babaali, H., Dehghani, R., 2025. The Impact of Climate Change Parameters on Groundwater Level Decline (Case Study: Kuhdasht-Lorestan). Journal of Aquifer and Qanat, 6(1): 87–106.
Nourani, V., Kisi, Ö., Komasi, M., 2011. Two hybrid artificial intelligence approaches for modeling rainfall–runoff process. Journal of Hydrology, 402(2): 41–59.
Osman, A. I. A., Latif, S. D., Boo, K. B. W., Ahmed, A. N., Huang, Y. F., El-Shafie, A., 2024. Advanced machine learning algorithm to predict the implication of climate change on groundwater level for protecting aquifer from depletion. Groundwater for Sustainable Development, 25: 101152.
Ouyang, Y., Wan, Y., Jin, W., Leininger, T.D., Feng, G., Han, Y., 2021. Impact of climate change on groundwater resource in a region with a fast depletion rate: the Mississippi Embayment. Journal of Water and Climate Change, 12(6): 2245.
Parmesan, C., Morecroft, M.D., Trisurat, Y., 2022. Climate change 2022: Impacts, adaptation and vulnerability. Ph.D. dissertation, GIEC.
Patra, S.R., Chu, H-J., Aman, M.A., 2024. Utilizing deep learning to investigate the impacts of climate change on groundwater dynamics and pumping variability. Science of the Total Environment, 957: 177784.
Rouhani, A., Ben-Salem, N., D’Oria, M., Chávez García Silva, R., Viglione, A., Copty, N.K., Rode, M., Barry, D.A., Gómez-Hernández, J.J., Jomaa, S., 2025. Direct impact of climate change on groundwater levels in the Iberian Peninsula. Science of the Total Environment, 970: 179009.
Ryter, D.W., Alzraiee, A.H., Niswonger, R.G., 2025. Simulation of the impacts of projected climate change on groundwater resources in the Urban, Semiarid Yucaipa Valley Watershed, Southern California using an integrated hydrologic model. Journal of Hydrology: Regional Studies, 60: 102461.
Samiei Dastjerdi, R., Hayat-Zadeh, M., Fathollah-Zadeh, A., Fotouhi Firouzabad, F., 2024. Simulation of groundwater using artificial intelligence system (Case study: Komeh Basin of Isfahan province). Hydrogeology, 9(2): 65–76. [In Persion]
Secci, D., Tanda, M.G., D’Oria, M., Todaro, V., 2023. Artificial intelligence models to evaluate the impact of climate change on groundwater resources. Journal of Hydrology, 627: 130359.
Semenov, M.A., 2008. Simulation of extreme weather events by a stochastic weather generator. Climate Research, 35(3): 203–212.
Semenov, M.A., Stratonovitch, P., 2015. Adapting wheat ideotypes for climate change: Accounting for uncertainties in CMIP5 climate projections. Climate Research, 65: 123–139.
Wei, A., Li, X., Yan, L., Wang, Z., Yu, X., 2023. Machine learning models combined with wavelet transform and phase space reconstruction for groundwater level forecasting. Computers & Geosciences, 177: 105386.
Zhang, Q., Li, P., Ren, X., Ning, J., Li, J., Liu, C., Wang, Y., Wang, G., 2023. A new real-time groundwater level forecasting strategy: coupling hybrid data-driven models with remote sensing data. Journal of Hydrology, 625: 129962.
هیدروژئولوژی
دوره 10، شماره 2
اسفند 1404
صفحه 1-17

فایل ها

هم رسانی

ارجاع به این مقاله

آمار