ترکیب فناوری های ماهواره ای و پهپادی برای شبیه سازی های هیدرولیکی با وضوح بالا: مطالعه موردی در حوضه مارون ایران

سال انتشار: 1404
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 34

فایل این مقاله در 24 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JWSC-32-1_006

تاریخ نمایه سازی: 30 تیر 1404

چکیده مقاله:

ترکیب فناوری های ماهواره ای و پهپادی برای شبیه سازی های هیدرولیکی با وضوح بالا: مطالعه موردی در حوضه مارون ایرانچکیده:این مطالعه بر ارزیابی و مقایسه اثربخشی مدل های ارتفاع رقومی با وضوح بالا که از داده های پهپاد و ماهواره ای به دست آمده اند، برای شبیه سازی های هیدرولیکی تمرکز دارد. این پژوهش که در حوضه مارون در ایران انجام شده است، دقت این مدل های رقومی-ارتفاعی را در مدلسازی رویدادهای سیل با استفاده از شبیه سازی دوبعدی به وسیله مدل عددی HEC-RAS مورد بررسی قرار می دهد. با یکپارچه سازی داده های بارش و اندازه گیری های جریان سیلاب، این مطالعه بر پتانسیل داده های حاصل از پهپاد برای مدلسازی دقیق هیدرولیکی تاکید دارد، در حالی که قابلیت کاربرد داده های ماهواره ای رایگان را برای استفاده های گسترده تر نیز مورد بررسی قرار می دهد. این مقایسه ی دوگانه، دید گاه های ارزشمندی برای مدیریت سیلاب فراهم می کند، به ویژه در مناطقی که دستیابی دقیق به داده ها و واکنش به موقع اهمیت زیادی دارد.سابقه و هدفسیل ها یکی از مهم ترین بلایای طبیعی در سراسر جهان هستند که خسارات اقتصادی و انسانی قابل توجهی به همراه دارند. تغییرات اقلیمی این مخاطرات را تشدید می کند. با شبیه سازی رفتار جریان، شناسایی مناطق مستعد سیلاب و کمک به توسعه راهکارهای کاهش اثرات، موجب افزایش کارایی مدیریت سیلاب می شود. بدین منظور، مدل های رقومی ارتفاعی داده های پایه ای مربوط به توپوگرافی و ناهمواری زمین را برای این شبیه سازی ها فراهم می کنند.این مطالعه به بررسی قابلیت های مدل های رقومی ارتفاعی حاصل از پهپاد که به دلیل دقت مکانی بالا شناخته شده اند و مدل های رقومی ارتفاعی ماهواره آلوس (ALOS) که پوشش گسترده ای در سطح پایین تری از دقت دارند، می پردازد. پهپادها با فراهم آوردن داده های دقیق، به ویژه در مناطق محلی و کوچک، تحول مهمی در مدل سازی سیلاب ایجاد کرده اند. در مقابل، داده های آلوس به دلیل دسترس پذیری گسترده و هزینه کمتر، برای کاربردهای در مقیاس وسیع مناسب تر هستند. با به کارگیری هر دو منبع در مدل سازی هیدرولیکی دوبعدی، این مطالعه ارزیابی جامعی از نقاط قوت، محدودیت ها و امکان یکپارچه سازی آن ها را ارائه می دهد.مواد و روش هااین تحقیق در منطقه پسکوهک شیراز، ایران، انجام شد که ناحیه ای به مساحت ۴.۳ کیلومتر مربع از حوضه مارون را در بر می گیرد. داده های بارندگی و جریان رودخانه از طریق ایستگاه های محلی جمع آوری شد، در حالی که مدل های رقومی ارتفاعی از پهپاد و ماهواره آلوس استخراج شدند. برای تصویربرداری با وضوح بالا، از پهپاد استفاده شد و پردازش داده ها منجر به تولید مدل های رقومی ارتفاعی با دقت مکانی ۵ سانتی متر و دقت عمودی ۲ سانتی متر شد. داده های ماهواره آلوس با دقت مکانی ۱۲.۵ متر به کمک داده های پهپاد کالیبره شد تا قابلیت مقایسه و اطمینان پذیری افزایش یابد.برای شبیه سازی های هیدرولیکی، از نرم افزار HEC-RAS ۲D استفاده شد. در این مطالعه، بارش به عنوان شرط مرزی در نظر گرفته شد که رویکردی نوین در مقایسه با روش های متداول مبتنی بر دبی است. کالیبراسیون و اعتبارسنجی مدل بر اساس هیدروگراف های مشاهده ای انجام گرفت و ضریب زبری مانینگ برای دستیابی به دقت بالاتر بهینه شد. برای حفظ تعادل بین دقت نتایج و کارایی محاسباتی، اندازه شبکه مدل سازی با دقت انتخاب شد. برای مدل رقومی ارتفاعی پهپاد، از شبکه ۲×۲ متر و برای مدل آلوس، از شبکه ۵×۵ متر استفاده شد.یافته هامدل های رقومی ارتفاعی استخراج شده از پهپاد عملکرد بهتری نسبت به مدل های آلوس در نمایش ویژگی های زمین داشتند. وضوح مکانی بالاتر آنها تصویری دقیق تر و واقعی تر از پیچ وخم کانال، تغییرات شیب و خصوصیات دشت سیلابی ارائه داد. این دقت منجر به شبیه سازی های هیدرولیکی دقیق تر، به ویژه در پیش بینی دبی اوج و زمان رسیدن به اوج شد. در مورد دبی اوج، مدل رقومی ارتفاعی پهپاد دبی اوج را با اختلاف ۰.۸۵ درصد نسبت به داده های مشاهده شده برآورد کرد، درحالی که مدل آلوس آن را ۵.۲ درصد بیش برآورد کرد. پیش بینی های مدل پهپاد تقریبا منطبق بر داده های مشاهده شده بود، درحالی که مدل آلوس زمان رسیدن به اوج را ۸.۶ درصد کمتر از مقدار واقعی برآورد کرد. مدل رقومی ارتفاعی پهپاد به طور مداوم عمق های حداکثری سیلاب کمتری را نسبت به مدل آلوس شبیه سازی کرد و با مشاهدات واقعی همخوانی بیشتری داشت. به عنوان نمونه، مدل پهپاد به طور میانگین عمق هایی ۱۴.۲ درصد کمتر از مدل آلوس پیش بینی کرد. این تفاوت ها برتری داده های پهپادی را در ثبت جزئیات دقیق تر عوارض زمین، که برای تخمین دقیق عمق سیلاب ضروری است، برجسته می کند.گنجاندن بارش به عنوان شرط مرزی پویایی و دقت شبیه سازی ها را افزایش داد. این روش در مقایسه با رویکردهای سنتی مبتنی بر سری های زمانی دبی، نشان داد که می توان نیاز به مطالعات جداگانه هیدرولوژیکی را برطرف کرد. شبیه سازی های مبتنی بر بارش، درک جامع تری از واکنش حوضه ارائه داد و به بهبود قابلیت های پیش بینی کمک کرد. هر دو مدل رقومی ارتفاعی پهپاد و آلوس هیدروگراف هایی تولید کردند که شباهت زیادی به داده های مشاهده ای داشتند، با این تفاوت که در شدت و زمان اوج تفاوت هایی مشاهده شد. مدل پهپاد، به دلیل وضوح زمانی بالاتر (فواصل ۶ دقیقه ای)، تغییرات سریع جریان را بهتر از داده های ایستگاه های هیدرومتری که در بازه های ساعتی ثبت شده بودند، شبیه سازی کرد. این قابلیت برای پیش بینی آنی سیلاب و واکنش اضطراری بسیار ارزشمند است.شاخص های خطا، دقت برتر داده های استخراج شده از پهپاد را تایید کردند؛ به طوری که خطای جذر میانگین مربعات برای مدل پهپاد ۰.۰۲۲ و برای مدل آلوس ۰.۰۲۴ به دست آمد و خطای نسبی در دبی اوج برای مدل پهپاد ۱۰.۹ درصد و برای مدل آلوس برابر با ۱۴.۶ درصد بود. این یافته ها بر پتانسیل فناوری پهپاد برای مدل سازی هیدرولیکی دقیق تاکید دارند و نشان دهنده موازنه ای میان داده های با وضوح بالا و نیازهای محاسباتی هستند.این مطالعه بر نقش مکمل داده های پهپاد و ماهواره تاکید دارد. به طور خلاصه، داده های پهپاد برای مطالعات محلی که نیاز به دقت بالا دارند، ایده آل است، اما محدودیت هایی از جمله موانع عملیاتی، هزینه های بالاتر و پوشش محدود دارد. در مقابل، داده های ماهواره ای برای کاربردهای مقیاس بزرگ مناسب هستند و علیرغم وضوح مکانی کمتر، راه حلی مقرون به صرفه و در دسترس ارائه می دهند. این نتایج راهنمایی برای تصمیم گیری در انتخاب منابع داده ای مناسب برای کاربردهای خاص هیدرولوژیکی فراهم می کند.نتیجه گیریاین مطالعه بر کارایی مدل های رقومی ارتفاعی استخراج شده از پهپاد در بهبود دقت شبیه سازی های هیدرولیکی، به ویژه در مدیریت سیلاب و ارزیابی ریسک تاکید دارد. درحالی که پهپادها در دقت برتری دارند، داده های ماهواره ای آلوس جایگزینی مقرون به صرفه برای کاربردهای گسترده تر ارائه می دهند. یافته های کلیدی شامل موارد زیر است:مدل های رقومی ارتفاعی پهپاد عملکرد برتری در پیش بینی پارامترهای هیدرولیکی ارائه داده و عمق های حداکثری کمتر و حاشیه خطای کاهش یافته ای را در مقایسه با داده های آلوس نشان می دهند.مدل های آلوس ، علیرغم وضوح پایین تر، دقت کافی برای پیش بینی دبی اوج دارند و گزینه ای مناسب برای پروژه های کم هزینه محسوب می شوند.استفاده از بارش به عنوان شرط مرزی، پتانسیل ساده سازی مدل سازی هیدرولیکی را از طریق حذف نیاز به مطالعات جداگانه هیدرولوژیکی نشان می دهد.وضوح زمانی و مکانی بالاتر در شبیه سازی های پهپاد، امکان نمایش دقیق تری از پویایی سیلاب، به ویژه در جریان های اوج، را فراهم می کند.ادغام داده های پهپاد و ماهواره ای رویکردی متوازن برای دستیابی به دقت و مقیاس پذیری در مدل سازی هیدرولیکی ارائه می دهد.این پژوهش مسیر پیشرفت های آینده در مدل سازی هیدرولیکی را هموار می کند و بر ضرورت روش های نوین کسب داده و تکنیک های محاسباتی پیشرفته تاکید دارد. پیشنهادها شامل به کارگیری حسگرهای پهپادی پیشرفته، استفاده از چندین پهپاد برای پوشش وسیع تر و بهره گیری از الگوریتم های یادگیری ماشین برای تسهیل پردازش داده و بهبود دقت پیش بینی است.با پرداختن به محدودیت های داده های پهپاد و ماهواره، این مطالعه مسیر بهینه سازی شبیه سازی های هیدرولیکی را ترسیم کرده و به مدیریت موثرتر ریسک سیلاب و تصمیم گیری های بهتر کمک می کند.واژه های کلیدی: سیلاب، شبیه سازی عددی، بارندگی، داده های آلوس، پهپاد

نویسندگان

مسیح ذوالقدر

نویسنده مسئول، استادیار گروه علوم و مهندسی آب، دانشگاه جهرم، جهرم، ایران.

اباذر فتحی

دانشجوی دکتری مهندسی عمران و محیط زیست، دانشگاه پلی تکنیک میلان

فاطمه روستاپور

دانش آموخته کارشناسی ارشد آبیاری و زهکشی، دانشگاه جهرم، جهرم، ایران.

محمدرضا کارگر

دانشجوی دکتری سنجش ازدور، دانشگاه تربیت مدرس، تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Soriano, E., Mediero, L., & Garijo, C. (۲۰۲۰). Quantification of ...
  • Blöschl, G., Hall, J., Viglione, A., Perdigão, R. A. P., ...
  • Salarijazi, M. (۲۰۱۲). Trend and change-point detection for the annual ...
  • Bahrami, E., Salarijazi, M., & Nejatian, S. (۲۰۲۲). Estimation of ...
  • Pedrozo‐Acuña, A., Rodríguez‐Rincón, J. P., Arganis‐Juárez, M., Domínguez‐Mora, R., & ...
  • Li, B., Hou, J., Li, D., Yang, D., Han, H., ...
  • Trepekli, K., Balstrøm, T., Friborg, T., Fog, B., Allotey, A. ...
  • Annis, A., Nardi, F., Petroselli, A., Apollonio, C., Arcangeletti, E., ...
  • Escobar Villanueva, J. R., Iglesias Martínez, L., & Pérez Montiel, ...
  • Mollaee, Z., Zahiri, J., Jalili, S., Ansari, M. R., & ...
  • Zolghadr, M., Rafiee, M. R., Esmaeilmanesh, F., Fathi, A., Tripathi, ...
  • Sardemann, H., Eltner, A., & Maas, H.-G. (۲۰۱۸). Acquisition of ...
  • Fathi, A., & Zolghadr, M. (۲۰۲۴). A Novel Method for ...
  • Pandya, D., Rana, V. K., & Suryanarayana, T. M. V. ...
  • Xu, K., Fang, J., Fang, Y., Sun, Q., Wu, C., ...
  • Azizian, A., & Brocca, L. (۲۰۲۰). Determining the best remotely ...
  • Muthusamy, M., Casado, M. R., Butler, D., & Leinster, P. ...
  • Costabile, P., Costanzo, C., Ferraro, D., & Barca, P. (۲۰۲۱). ...
  • Khattak, M. S., Anwar, F., Saeed, T., Sharif, M., Sheraz, ...
  • AL-Hussein, A. A. M., Khan, S., Ncibi, K., Hamdi, N., ...
  • Iqbal, A., Mondal, M. S., Veerbeek, W., Khan, M. S. ...
  • Zahiri, J., Ashnavar, M. (۲۰۱۹). Two-Dimensional Hydraulic Modeling of Karun ...
  • Liu, Z., Merwade, V., & Jafarzadegan, K. (۲۰۱۹). Investigating the ...
  • Karamuz, E., Romanowicz, R. J., & Doroszkiewicz, J. (۲۰۲۰). The ...
  • Ozcan, O., & Akay, S. S. (۲۰۱۸). Modeling Morphodynamic Processes ...
  • Dekker, R. J., Schuurmans, J. M., Berendrecht, W. L., Borren, ...
  • Langhammer, J., Bernsteinová, J., & Miřijovský, J. (۲۰۱۷). Building a ...
  • Massuel, S., Feurer, D., El Maaoui, M. A., & Calvez, ...
  • Yalcin, E. (۲۰۱۸). Generation of high-resolution digital surface models for ...
  • Tang, Q., Schilling, O. S., Kurtz, W., Brunner, P., Vereecken, ...
  • Xafoulis, N., Kontos, Y., Farsirotou, E., Kotsopoulos, S., Perifanos, K., ...
  • Zhu, H., & Chen, Y. (۲۰۲۴). A Study of the ...
  • McClean, F., Dawson, R., & Kilsby, C. (۲۰۲۰). Implications of ...
  • Parizi, E., Khojeh, SH., Hosseini, S. M., & Jouybari Moghadam, ...
  • Mazzoleni, M., Paron, P., Reali, A., Juizo, D., Manane, J., ...
  • Leitão, J. P., Moy de Vitry, M., Scheidegger, A., & ...
  • Jaramillo, G. V., & Bustán, G. A. (۲۰۲۴). Assessment of ...
  • Rudd, J. D., Roberson, G. T., & Classen, J. J. ...
  • Adão, T., Hruska, J., Pádua, L., Bessa, J. E., Peres, ...
  • Liao, X., Zhang, Y., Su, F., Yue, H., Ding, Z., ...
  • Hashemi-Beni, L., Jones, J., Thompson, G., Johnson, C., & Gebrehiwot, ...
  • Peggy Zinke & Claude Flener. (n.d.). Experiences from the use ...
  • Notti, D., Giordan, D., Caló, F., Pepe, A., Zucca, F., ...
  • نمایش کامل مراجع