پیش بینی جریان ماهانه با استفاده از مدل ECMWF، مطالعه موردی: حوضه آبریز سفیدرود
- سال انتشار: 1399
- محل انتشار: فصلنامه تحقیقات منابع آب ایران، دوره: 16، شماره: 3
- کد COI اختصاصی: JR_IWRR-16-3_019
- زبان مقاله: فارسی
- تعداد مشاهده: 154
نویسندگان
گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران
گروه مهندسی آبیاری و آبادانی، دانشگاه تهران
گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران
گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران
استادیار گروه علوم و مهندسی آب، دانشگاه فردوسی مشهد
چکیده
پیش بینی جریان در مقیاس زمانی ماهانه برای مدیریت و برنامه ریزی بهینه منابع آب ضروری است. در این مقاله با استفاده از پیش بینی های حاصل از مدل اقلیمی ECMWF، پیش بینی جریان ماهانه در زیر حوضه شاهرود واقع در حوضه آبریز سفیدرود در شمال غرب کشور انجام شد. برای این منظور با استفاده از پیش بینی بارش ماهانه حاصل از مدل اقلیمی ECMWF و مدل سازی داده محور SVR به عنوان مدل بارش- رواناب، بارش پیش بینی شده به جریان تبدیل شد. ابتدا نتایج مربوط به پیش بینی بارش در دوره تاریخی حاصل از مدل اقلیمی ECMWF تا افق پیش بینی ۳ ماهه برای محدوده مورد مطالعه، از درگاه اینترنتی Climate Data Store دریافت شد. سپس با استفاده از مدل داده محور SVR، مدل ترکیب شده اقلیمی- داده محور برای پیش بینی جریان تا افق پیش بینی ۳ ماه آینده توسعه داده شد. نتایج نشان داد که پیش بینی جریان مبتنی بر مدل های پیش بینی اقلیمی برای افق پیش بینی ۱ ماه آینده نسبت به دو افق پیش بینی ۲ و ۳ ماه آینده دقیقتر است. به طوری که افق پیش بینی ۱ ماه آینده بیشترین ضریب نش- ساتکلیف در واسنجی مساوی ۷۷/۰ و در مرحله صحت سنجی ۴۸/۰، بیشترین ضریب همبستگی در واسنجی ۸۷/۰ و در صحت سنجی ۶۹/۰، کمترین مقدار جذر میانگین مربعات خطا در واسنجی ۸/۶ میلیون مترمکعب و صحت سنجی ۳/۶ میلیون مترمکعب و بهترین مقدار اریبی نسبی برای واسنجی ۹۶/۰ و صحت سنجی ۱/۱ را داشته است. همچنین نتایج نشان داد که بر اساس دو شاخص ارزیابی احتمالاتی POD و FAR، مدل پیش بینی توسعه یافته، توانایی بالایی در تشخیص وقایع مختلف جریان به خصوص جریان های کم و زیاد را دارد.کلیدواژه ها
مدل های اقلیمی, SVR, مدل سازی بارش-رواناباطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.