پیش بینی رواناب به کمک روش های آماری، هوش مصنوعی و مدل های هواشناسی (مطالعه موردی: سد امیرکبیر)
- سال انتشار: 1403
- محل انتشار: فصلنامه مدل سازی و مدیریت آب و خاک، دوره: 4، شماره: 2
- کد COI اختصاصی: JR_MMWS-4-2_007
- زبان مقاله: فارسی
- تعداد مشاهده: 152
نویسندگان
دکتری، کارشناس فنی شرکت آب و نیروی ایران، تهران، ایران
استادیار گروه اکولوژی، پژوهشگاه علوم و تکنولوژی پیشرفته و علوم محیطی، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران
چکیده
پیش بینی جریان رودخانه یکی از مهم ترین مسائل هیدرولوژیکی است که برای مدیریت سیلاب بسیار مهم است. مقادیر دبی عبوری رودخانه را می توان از روشهای متعددی برآورد نمود که هر یک از روش ها دارای نقاط ضعف و قوتی هستند. در خصوص مدل های بارش-رواناب به دلیل عکس العمل غیر خطی یک حوزه آبخیز به رویداد باران مساله بسیار پیچیده می شود. علاوه بر این به دلیل تغییرات مکانی بارش در یک حوزه آبخیز این پیچیدگی بیش تر نیز می شود. در این پژوهش به بررسی مدل بارش-رواناب به کمک روش های آماری و رگرسیون چندمتغیره پرداخته شد. هدف پژوهش حاضر، پیش بینی جریان ورودی به سد امیرکبیر با استفاده از روش های رگرسیون چندمتغیره و روش های هوش مصنوعی (AI) شامل مدل شبکه عصبی مصنوعی (ANN) است. بدین منظور از آمار هفت ساله جریان رودخانه کرج (۱۳۹۵-۱۴۰۱) به صورت روزانه استفاده شد. در همین راستا، تقسیم بندی داده های بارش در فصول مختلف سال صورت گرفت و به منظور بررسی ایستگاه های باران سنج مناسب از روش تحلیل خوشه ای استفاده شد تا ایستگاه های مناسب به منظور ورود به مدل انتخاب شود. لازم به ذکر است تلفیق روش های آماری و مدل شبکه عصبی با مدل های پیش بینی هواشناسی از نوآوری های پژوهش حاضر است. نتایج ارزیابی عملکرد مدل ها با شاخص هایی هم چون ضریب تبیین (R۲)، میانگین قدر مطلق خطا (MAE) و ریشه میانگین مربعات خطا (RMSE)، نشان داد که مدل ANN در هر دو مرحله واسنجی (آموزش) و صحت سنجی (آزمایش) عملکرد بهتری نسبت به مدل رگرسیون چندمتغیره داشته است. شاخص های دقت مدل برای مرحله آموزش مدل ANN برابر ۷۷/۰=R۲ و ۲۷/۰=RMSE مترمکعب بر ثانیه بوده است. در حالی که این شاخص ها برای مرحله آزمایش برابر با ۸۷/۰=R۲ و ۴۶/۰=RMSE مترمکعب بر ثانیه است که حاکی از عملکرد بهتر مدل ANN بوده است. نتایج نشان داد که مدل واسنجی شده به منظور پیش بینی رواناب با استفاده از مدل های هواشناسی کاربردی بوده و دقت قابل قبولی دارد.کلیدواژه ها
پیش بینی جریان, شبکه عصبی مصنوعی, مدل های رگرسیون, سد امیرکبیراطلاعات 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.