پیش‌بینی جریان ورودی سد امیرکبیر با استفاده از الگوهای دورپیوند اقلیمی و مدل‌های یادگیری ماشین
تقاضا برای آب شیرین به‌طور فزاینده‌ای در حال افزایش است، درحالی‌که منابع محدود آب، در معرض اضافه برداشت، آلودگی و تغییرات اقلیمی هستند که این موارد نیاز به بهبود مدیریت منابع آب را به‌منظور توزیع عادلانه و دست‌یابی به اهداف توسعه پایدار برجسته می‌کند. یک گزینه کم هزینه برای حمایت از استراتژی‌های...
| Main Authors: | , , , , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
University of Tehran, College of Aburaihan
2023-06-01
|
| Series: | مدیریت آب و آبیاری |
| Subjects: | |
| Online Access: | https://jwim.ut.ac.ir/article_92527_83ed5dea97b44db96461da8829360e1c.pdf |
| Summary: | تقاضا برای آب شیرین به‌طور فزاینده‌ای در حال افزایش است، درحالی‌که منابع محدود آب، در معرض اضافه برداشت، آلودگی و تغییرات اقلیمی هستند که این موارد نیاز به بهبود مدیریت منابع آب را به‌منظور توزیع عادلانه و دست‌یابی به اهداف توسعه پایدار برجسته می‌کند. یک گزینه کم هزینه برای حمایت از استراتژی‌های مدیریت بهتر آب، توسعه مدل‌هایی با قابلیت پیش‌بینی مقادیر آب دردسترس، به‌ویژه مقادیر مربوط به بارش و جریان رودخانه‌هاست. تنوع اقلیمی و تغییرات آب و هوایی، یک فرض اساسی برای پیشبینی‌های هیدروکلیماتولوژیکی است. یکی از جنبه‌های قابل توجه این موضوع، همبستگی بین پدیده‌های بزرگ مقیاس جوی-اقیانوسی یا الگوهای دورپیوند با فرایندهای هیدرولوژیکی در مقیاس محلی است که این الگوها می‌توانند بر جریان ورودی به سدها نیز اثرگذار باشند. در این مطالعه از سه مدل یادگیری ماشین شبکه عصبی مصنوعی، شبکه عصبی بیزین و سیستم استنتاج عصبی-فازی سازگار برای پیش‌بینی جریان ورودی به سدها بهره گرفته شده است تا کارایی آن‌ها مورد ارزیابی قرار بگیرد. بدین منظور 12 سناریو متشکل از متغیرهای بارش، جریان ورودی به سد و نُه شاخص اقلیمی با تأخیر تا شش گام زمانی، طراحی شد تا تأثیر استفاده از الگوهای دورپیوند به‌عنوان متغیرهای پیش‌بینی کننده جریان یک ماه بعد سد امیرکبیر، موردبررسی قرار بگیرد. تحلیل نتایج این پژوهش نشان داد که استفاده از شاخص Nino3.4 با یک گام زمانی تأخیر و هم‌چنین شاخص PDO با دو گام زمانی تأخیر، می‌توانند باعث افزایش دقت مدل نسبت به سناریوهای که در آن‌ها تنها از متغیرهای ایستگاهی استفاده شده است، شوند. طبق نتایج، شاخص Nino3.4 مؤثرترین شاخص بر جریان ورودی به سد امیرکبیر شناخته شد و سناریویی که در آن از شاخص نامبرده به همراه داده‌های بارش و جریان یک و دوماه قبل به‌عنوان ورودی استفاده شده بود، در هر سه مدل، بالاترین دقت را به ثبت رساند. هم‌چنین عملکرد مدل ANFIS برای سناریوی نامبرده (سناریوی 9)، با مقادیر RMSE و R2، به‌ترتیب معادل با 69/5 مترمکعب بر ثانیه و 79/0، نسبت به دو مدل ANN و BNN بهتر بود، به طوری‌که مقدار شاخص R2 برای بهترین سناریوی متشکل از متغیرهای ایستگاهی (سناریوی 5)، به میزان 15/0 افزایش یافته و مقدار شاخص RMSE نیز به میزان 78/0 مترمکعب کاهش یافته است. |
|---|---|
| ISSN: | 2251-6298 2382-9931 |