پیش‌بینی روانآب ناشی از ذوب برف با استفاده از مدل SRM و مقایسه با مدل‌های شبکه عصبی ANN و ANFIS (مطالعه موردی: حوضه آبریز سد کارده)

آب و خاک

مقاله 3، دوره 30، شماره 6 - شماره پیاپی 50، بهمن 1395، صفحه 1794-1807   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v30i6.40545

نویسندگان

مرتضی اکبری^{* 1}؛ احسان رعنایی²؛ حسن میرزاخان³؛ علیرضا درگاهی¹؛ محمدرضا جرگه⁴

¹دانشگاه فردوسی مشهد

²دانشگاه صنعتی میلان

³اداره کل منابع طبیعی و آبخیزداری استان خراسان رضوی

⁴دانشگاه زابل

چکیده

ارزیابی روانآب و جریان حاصل از ذوب برف در مناطق کوهستانی یکی از فعالیت‌های مهم در مدیریت منابع آبی به‌شمار می‌آید. در این خصوص، روش‌های مختلفی ارائه و پیشنهاد شده است که می‌توان به روش شاخص- دما، اشاره نمود. هدف از این تحقیق شبیه‌سازی رواناب حاصل از ذوب برف، با استفاده از مدل هیدرولوژیکی SRM‌ و مقایسه نتایج با مدل‌های شبکه عصبی مانند شبکه عصبی مصنوعی و مدل استنتاج فازی عصبی تطبیقی است. جهت تحقق این هدف، حوضه آبریز سد کارده، واقع در شمال شهرستان مشهد مورد بررسی و مطالعه قرار گرفت. داده‌های جریان، بارندگی و دمای در محل ایستگاه‌های هیدرومتری، باران‌سنجی و تبخیرسنجی منطقه (مربوط به سال آبی 1379-1380) و تغییرات سطح پوشش برف از طریق پردازش تصاویر ماهواره‌ای و با استفاده از شاخص نرمال شده تمایز برف بدست آمد. شبیه‌سازی جریان با استفاده از مدل‌های SRM، ANN از نوع پرسپترون چند لایه با ساختار الگوریتم پس انتشار خطا و مدل ANFIS از نوع سوگنو انجام شد. برای ارزیابی کارایی مدل‌ها علاوه بر آماره هایی نظیر میانگین مربعات خطا و معیار درصد میانگین مطلق خطا از معیارهای ضریب تبیین و تفاضل حجمی نیز استفاده گردید. نتایج نشان داد هر سه مدل از نظر پارامترهای آماری میانگین مربعات خطا و ضریب تبیین تقریباً وضعیت مشابهی داشته و اختلاف ناچیزی دارند. بطوری که مدل SRM نسبتاً توانسته روند تغییرات دبی روزانه را با کیفیت بهتری مدل‌سازی نماید. اما در مقایسه میزان درصد میانگین مطلق خطای بین سه مدل، مدل ANFIS نسبت به مدل شبکه عصبی مصنوعی به میزان 40 درصد و نسبت به مدل SRM به میزان 15 درصد خطای حاصل از فرآیند شبیه سازی را کاهش داده است و از نظر تفاضل حجمی، دو مدل ANN و ANFIS نسبت به مدل SRM وضعیت بهتری داشته و مقدار این پارامتر برای هر دو مدل پائین بوده است.

کلیدواژه‌ها

پارامترهای آماری؛ پردازش تصاویر ماهواره‌ای؛ حوضه آبریز سد کارده؛ شاخص NDSI؛ شبیه‌سازی

مراجع

1- Akbari M., Ranaee E., Mirzakhan H., and Dargahi A. 2016. Snowmelt runoff simulation using SRM hydrological model (Case Study: Kardeh dam basin). Watre Engineering Journal, 9(30): 63-73.

2- Ahmadzadeh Gharah K., Mirlatifi S.M., and Mohammadi K. 2010. Comparison of Artificial Intelligence Systems (ANN & ANFIS) for Reference Evapotranspiration Estimation in the Extreme Arid Regions of Iran.Journal of Water and Soil, 24(4): 679-689.

3- Fathabadi A., Salajegheh A., and Mahdavi M. 2009. River flow forecasting using neuro-fuzzy methods and time series models. Iran-Watershed Management Science & Engineering, 2(5): 21-30

4- Fatahi A., Delavar M., and Ghasemi A. 2011. Simulation of snowmelt runoff in mountainous basin using SRM model, (Case Study: Bazaft basin). Journal of Geographical Sciences and Applied Research, 20(23): 129-141.

5- Firat M., and Gungor M. 2007. River flow estimation using adaptive neuro-fuzzy inference system. Mathematics and Computers in Simulation, 75: 87-96.

6- Ghafari G.A., and Vafakhah M. 2013. Simulation of Rainfall Runoff Process using Artificial Neural Network and Adaptive Neuro Fuzzy Interface System (Case Study: Hajighoshan Watershed). Journal of Watershed Management Research. 4(8):120-136.

7- http://www.matlab1.ir/?p=530 (visited 20 Jul 2010).

8- Kashefipur M. 2002. Use of ANN in river engineering. 6th International Seminar on River Engineering, shahid Chamran University, 6: 126-133.

9- Li X., and Williams M.W. 2008. Snowmelt runoff modelling in an arid mountain watershed, Tarim Basin, China. Hydrological Processes, 22:3931-3940.

10- Majid Rezai B., Feyzolahpour M., and Sadrafshary S. 2013. Using Neural Fuzzy Inference System to Estimate Sediment Load and Comparison with MLR and SRC Models in Ghranghu River Basin. Journal of Physical Geography. 45(2): 77-90.

11- Menhaj M. 2002. Artificial neural networks. Amirkabir university press.

12- Nayak P.C., Sudheer K.P., Rangan D.P., and Ramasastri K.S. 2005. Short-term flood forecasting with a neurofuzzy model. Water Resources Research. 41: 2517-2530.

13- Nezam Kayami KH., Nezam Khayami C., and Nezam Khayami K. 2010. Estimation of suspended sediment load in rivers using Artificial Neural Network and Adaptive Neuro Fuzzy Interface System (Case study: River Gharehsou in Ardebil). Iranian Hydraulic Conference. IRAN, Tehran, http://www.civilica.com/Paper-IHC09-IHC09_277.html

14- Nurani V., Kaynejad M.A., and Malekani L. 2009. Application of neuro- fuzzy inference system in rainfall-runoff modeling. Journal of Civil of Engineering & Environment, 39(4): 75-81.

15- Porhemmat J., and Saghafian B. 2007. Evaluation of Spatial Resolution of Satellite Data on Snow Cover Estimates. Journal of the Iranian Natural Res, 60(2): 383-395.

16- -Rango A., and Martinec J. 1995. Revisiting the degree day Method for Snowmelt Computations. JAWRA Journal of the American Water Resources Association, 31: 657-669.

17- Ross T.J. 1995. Fuzzy logic with engineering application. McGraw Hill Inc.

18- Seidel K., and Martinec J. 2004. Hydrological Applications of Satellite Snow cover Mapping in the Swiss Alps. Paper presented at the Proceedings of EARSeL-LISSIG-Workshop Observing our Cryosphere from Space.

19- Tokar A.S., and Markus M. 2000. Precipitation runoff modeling using artificial neural network and conceptual models. Journal of Hydrologic Engineering, 5: 156- 161.