پیش‌بینی جریان بر پایه عدم قطعیت‌های موجود و ارزیابی نوسانات جریان زیست‌محیطی روی اکوسیستم منابع تجدیدشونده حوضه سد طالقان
محورهای موضوعی : محیط زیستزهرا نفریه 1 , مهدی سرائی تبریزی 2 , حسین بابازاده 3 , حمید کاردان مقدم 4
1 - دانشجوی کارشناسی ارشد منابع آب، گروه علوم و مهندسی آب، دانشکده علوم کشاورزی و صنایع غذایی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
2 - استادیار گروه علوم و مهندسی آب، دانشکده علوم کشاورزی و صنایع غذایی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
3 - استاد گروه علوم و مهندسی آب، دانشکده علوم کشاورزی و صنایع غذایی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
4 - استادیار پژوهشی، مؤسسه تحقیقات وزارت نیرو، تهران، ایران.
کلید واژه: شبکه عصبی پرسپترون, اکوسیستم آبی, روش هیدرولوژیک تنانت, حقابه محیط‌زیستی, شبکه بیزین,
چکیده مقاله :
اهمیت بقای نسل گونه‌های نادر و حفظ تنوع زیستی کشور برای آیندگان و چرخه اکوسیستم با وجود محدودیت‌های منابع آب سطحی لزوم برنامه‌ریزی منابع آبی را نشان می‌دهد. مولفه مهم در بهینه‌سازی و مدیریت آب سطحی، پیش بینی های بلند‌مدت و کوتاه مدت جریان رودخانه است. پژوهش حاضر به منظور دستیابی به این مهم به مقایسه عملکرد دو مدل شبکه بیزینBN و شبکه عصبی MLP، طی هفده الگوی ساختاری پرداخت. سپس مقادیر زیست‌محیطی و شرایط زیستی آبزیان بررسی شد. داده های ماهانه هواشناسی و همچنین حجم آب انتقالی از پنج ایستگاه هیدرومتری ورودی به سد طالقان از سال 1385 تا 1397 به‌عنوان داده ورودی به مدل‌ها معرفی گردید و رواناب ورودی به سد به‌عنوان پیش بینی شونده لحاظ شد. در مرحله بعد با استفاده از روش هیدرولوژیک تنانت دبی‌های زیست‌محیطی محاسبه گردید و احتمال وقوع این دبی‌ها در داده‌های ثبتی و هفده الگو در محیط نرم افزار Easyfit محاسبه شد. سپس مقایسه الگوهای منتخب با توجه به احتمال وقوع و معیارهای شاخص، ضریب نش- ساتکلیف، جذر خطای میانگین مربعات و متوسط خطای پیش‌بینی مطلق انجام شد. با وجود 43/3 درصد تشابه بهترین الگو مدل BN در برابر 80 درصد تشابه در مدل MLP، مدل BN با معیار شاخص بهتر (3/98- ، 17/3 و 0/06) در مقابل مقادیر شاخص در مدل MLP (23/9 ،-10/3 و 122/3) دقت بهتری داشته است. همچنین مشخص شد حوضه با خطر زیست‌محیطی مواجه است، زیرا مقادیر پیشنهادی برای جریان زیست‌محیطی در بعضی از ماه‌ها در طول دوره مطالعاتی از کل رواناب بیشتر بوده است.
Limited water resources and increased water demand in recent decades have caused irreparable damage to the country's water resources. One of the important components in surface water optimization and management is long-term and short-term river flow forecasts. The aim of the present study is to compare the performance of two Bayesian BN network models with probabilistic approach and MLP neural network. Then selecting the best structural model for flow prediction is another goal of the present study. Monthly meteorological data including precipitation, monthly average temperature, evaporation and. Also, the volume of water transferred from five hydrometric stations entering the Taleghan Dam from 2006 to 2018 was introduced as input data to the models. and runoff to the dam was considered as predictable. Then, with the aim of estimating the best Prediction pattern structure, Input data with different layouts were introduced to the models. In the next step, using the hydrological method of Tennant, The environmental discharge was calculated And the probability of these discharges occurring in the registration data and seventeen patterns in the Easyfit software environment was calculated. Then comparing the selected pattern according to the probability of occurrence and the criteria of the index, Nash-Sutcliffe coefficient (NS), root mean square error (RMSE) and mean absolute prediction error (MAPE) was performed. The best model in BN model with 43.3% similarity and index criteria were estimated to be -3.98, 300, 17.3 and 0.06, respectively. MLP model with 80% similarity and index criteria were introduced as -10.3, 8266, 23.9 and 122.3 in the best model, respectively. As a result, both models performed well in runoff estimation, but comparing the environmental probabilities of the two models in the top five patterns, the BN model has an acceptable accuracy . The basin was also found to be at environmental risk.
_||_