Predicting the inflow into the dam reservoir using artificial neural network model based on PERSIANN-CDR and CMC data (case study: ZayandehRoud Dam)

Subject Areas : Article frome a thesis

Ramtin Moeini ^{1 *} , Mohammadali Alijanian ² , Mina Moradizadeh ³

1 - Associate Professor, Department of Civil Engineering, Faculty of Civil and Transportation Engineering, University of Isfahan, Isfahan, Iran
2 - Assistant Professor, Department of Civil Engineering, Faculty of Civil and Transportation Engineering, University of Isfahan, Isfahan, Iran
3 - AssistantProfessorof Surveying and Geomatics Engineering Department, Faculty of Civil and Transportation Engineering, University of Isfahan, Isfahan, Iran

Received: 2024-12-16 Accepted : 2025-01-20 Published : 2025-05-05

Keywords: Satellite-based data, Rainfall, Water equivalent to snow, Artificial neural network, Zayandeh Rood Dam,

Abstract :

Introduction: Determining the actual amount of inflow values into the dam reservoir, as one of the main sources of water supply, is one of the basic components of decision-making in the field of water resources management. Due to limitations of the lack of proper spatial and temporal distribution of data extracted from ground stations, the use of satellite-based data is attractive and interesting. However, the scale of satellite-based data and the need for their exponential scaling are the uncertainties of these data.

Methods: In this research, the performance of PERSIANN-CDR and CMC (Canadian Meteorological Centre) satellite data for rainfall and snow estimation and determining the inflow values into the dam reservoir is investigated. Therefore, by considering different combinations of input data, different models are proposed and the input flow to the dam reservoir is predicted using the artificial neural network (ANN) model. Here, the ZayandehRoud dam reservoir of the Gavkhoni drainage basin is selected as a case study.

 Findings: The results shows that the best R² and RMSE values for rainfall (snow) estimation data based on the PERSIANN-CDR satellite (CMC) are 0.49 (0.34) and 60.90 (41.56) mm. In other words, the results show the proper performance of satellite-based data for rainfall and snow estimation. Therefore, these data are used for creating the ANN model to determine the inflow values into the reservoir of ZayandehRoud dam reservoir. The results show that the values of R², RMSE and NES for training data (validation and testing) of ANN model are equal to 0.72 (0.74), 56.08 (75.178) MCM, and 0.85 (0.86) respectively. In other words, the results show the proper performance of satellite-based data for estimating and determining the inflow into the ZayandehRoud dam reservoir using ANN model.

References:

Adamowski J. & Sun, K. 2010. Development of a coupled wavelet transform and neural network method for flow forecasting of non-perennial rivers in semi-arid watersheds, Journal of Hydrology, 390(1): 85-91.
2.Alijanian, M.A., Moradizadeh, M., Moeini, R. 2022. Estimation of precipitation using PERSIANN-CDR and CMC-based satellite productions (Case study: upstream of the Zayandehroud dam), EcoHydrology, 9(1): 157-172 [ in Persian].
3.Alijanian, M., Rakhshandehroo, G. R., Mishra, A. K., & Dehghani, M. 2017. Evaluation of Satellite Rainfall Climatology using CMORPH, PERSIANN-CDR, PERSIANN, TRMM, MSWEP over Iran. International Journal of Climatology. 37: 4896-4914.
4.Alijanian, M., Rakhshandehroo, G. R., Mishra, A. K., & Dehghani, M. 2019. Evaluation of remotely sensed precipitation estimates using PERSIANN-CDRand MSWEP for spatio-temporal drought assessment over Iran. Journal of Hydrology. 579: 124189.
5.Anctil, F. Michel, C. Perrin, C. &Andréassian, V. 2004. A soil moisture index as an auxiliary ANN input for stream flow forecasting," Journal of Hydrology, 286(1): 155-167.
6.Apaydin, H. Feizi, H. Sattari, M. T. Colak, M. S. Shamshirband, S. & Chau, K.-W. 2020. Comparative Analysis of Recurrent Neural Network Architectures for Reservoir Inflow Forecasting, Water, 12, (5): 1500.
7.Ashouri H., Hsu K. L., Sorooshian S., Braithwaite D.K., Knapp K.R., Cecil L.D., Nelson B. R., & Prat O. P. 2014. PERSIANN-CDR: daily precipitation climate data record from multi-satellite observations for hydrological and climate studies. Bulletin of the. American Meteorological Society. 96(1): 69–84.
8.Babaei, M. Moeini, R. &Ehsanzadeh, E. 2019. Artificial Neural Network and Support Vector Machine Models for InflowPrediction of Dam Reservoir (Case Study: Zayandehroud Dam Reservoir), Water Resources Management, 33(6): 2203-2218.
9.Budu, K. 2014. Comparison of Wavelet-Based ANN and Regression Models for Reservoir Inflow Forecasting, Journal of Hydrologic Engineering, 19(7): 1385-1400.
10.Dinku, T., Ceccato, P., Grover, K. E., Lemma, M., Connor, S. J., & Ropelewski, C. F. 2007. Validation of satellite rainfall products over East Africa's complex topography. International Journal of Remote Sensing, 28(7):1503-1526.
11.Gurney, K. 2000. Kevin Gurney, An Introduction to Neural Networks, University College London (UCL) Press, 1997. ISBN 1-85728-673-1 HB.£ 14.95. xi+ 234 pages,Natural Language Engineering, 6(2) : 203-204.
12.Guo W.D., Chen W.B., Chang, C.H. 2023.Prediction of hourly inflow for reservoirs at mountain catchments using residual error data and multiple-ahead correction technique, Hydrology Research 54 (9): 1072–1093.
13. Gupta, A. and Kumar A. 2022. Two-step daily reservoir inflow prediction using ARIMA-machine learning and ensemble models, Journal of Hydro-environment Research, 45: 39-52.
14.Javanmard, S. Yatagai, A. Nodzu, M. I. BodaghJamali, J. & Kawamoto, H. 2010. Comparing high-resolutiongridded precipitation data with satellite rainfall estimates of TRMM_3B42 over Iran. Advances in Geosciences. 25: 119- 125.
15.Kalteh, A. M. 2013. Monthly river flow forecasting using artificial neural network and support vector regression models coupled with wavelet transform, Computers & Geosciences, 54: 1-8.
16.Kalteh, A.M. 2015. Wavelet Genetic Algorithm-Support Vector Regression (Wavelet GA-SVR) for Monthly Flow Forecasting, Water Resources Management, 29 (4): 1283-1293.
17.Katiraie-Boroujerdy, P. S., Nasrollahi, N., Hsu, K. L., &Sorooshian, S. 2013. Evaluation of satellite-based precipitation estimation over Iran. Journal of Arid Environments, 97: 205-219.
18.Khazaee Poul, A. Shourian, M. & Ebrahimi, H. 2019. A Comparative Study of MLR, KNN, ANN and ANFIS Models with Wavelet Transform in Monthly Stream Flow Prediction, Water Resources Management, 33(8): 2907-2923.
19.Kisi O. &Partal, T. 2011. Wavelet and neuro-fuzzy conjunction model for streamflow forecasting, Hydrology Research, 42, (6): 447-456.
20.Latif, S. D. Ahmed, A. N.Sathiamurthy, E. Huang, Y. F. & El-Shafie, A. 2021. Evaluation of deep learning algorithm for inflow forecasting: a case study of Durian Tunggal Reservoir, Peninsular Malaysia, Natural Hazards, 109(1): 351-369.
.21Menhaj, M.B. 2021. Computational Intelligence (vol. 1), fundamental of neural networks, Amirkabir University of Technology (Tehran Polytechnic), Tehran [in Persian]
22.Moradizadeh, M., Alijanian M.A., Moeini, M. 2023. Spatial Downscaling of Snow Water Equivalent Using Machine Learning Methods Over the Zayandehroud River Basin, Iran, PFG – Journal of Photogrammetry, Remote Sensing and Geoinformation Science (In press).
23.Noorbeh, P. Roozbahani, A. & Kardan Moghaddam, H. 2020, Annual and Monthly Dam Inflow Prediction Using Bayesian Networks, Water Resources Management, 34(9): 2933-2951.
24.Partal T. and Kişi, Ö. 2007. Wavelet and neuro-fuzzy conjunction model for precipitation forecasting, Journal of Hydrology, 342(1): 199-212.
25.Pramanik N. & Panda, R. K. 2009. Application of neural network and adaptive neuro-fuzzy inference systems for river flow prediction, Hydrological Sciences Journal, 54(2): 247-260.
26.Ravansalar, M. Rajaee, T. & Kisi, O. 2017. Wavelet-linear genetic programming: A new approach for modeling monthly streamflow, Journal of Hydrology, 549: 461-549.
27.PishgahHadiyan, P., Moeini, R., Ehsanzadeh, E., &Karvanpour, M. 2022. Trend Analysis of Water Inflow Into the Dam Reservoirs under future Conditions Predicted By Dynamic NAR and NARX Models, Water Resources Management, 36(8), pp. 2703–2723.
28.Safavi, H. R., Darzi, F., and Mariño, M. A. 2010. Simulation-optimization modeling of conjunctive use of surface water and groundwater. Water Resource Management, 24(10), 1965–1988.
29.Smith T, Arkin P, Bates J, & Huffman J. 2006. Estimating Bias of Satellite-Based Precipitation Estimates. Journal of Hydrometeorology, 7 (5): 841-856.
30.Suriya, S. Saran, K. Anto, L. C. Anbalagan, C. & Vinodh, K. 2021. Inflow Forecasting of Bhavanisagar Reservoir Using Artificial Neural Network (ANN): A Case Study, In: Ramanagopal, S., Gali, M., Venkataraman, K. (eds) Sustainable Practices and Innovations in Civil Engineering. Lecture Notes in Civil Engineering,79: 119-131.
31.Tan, M. L., Ibrahim, A. L., Duan, Z., Cracknell, A. P., &Chaplot, V. 2015. Evaluation of Six High-Resolution Satellite and Ground-Based Precipitation Products over Malaysia. Remote Sensing. 7: 1504-152.

Full-Text:



Water Resources Engineering Journal                  Spring 2025. Vol 18. Issue 64

Research Paper
Predicting the inflow into the dam reservoir using artificial neural network model based on PERSIANN-CDR and CMC data (case study: ZayandehRoud Dam)
Ramtin Moeini1*, Mohammad Ali Alijanian2, Mina Moradizadeh3 1. Associate Professor, Department of Civil Engineering, Faculty of Civil and Transportation Engineering, University of Isfahan, Isfahan, Iran 2. Assistant Professor, Department of Civil Engineering, Faculty of Civil and Transportation Engineering, University of Isfahan, Isfahan, Iran 3. AssistantProfessorof Surveying and Geomatics Engineering Department, Faculty of Civil and Transportation Engineering, University of Isfahan, Isfahan, Iran
Received: 2024.12.16 Revised: 2025.1.3 Accepted: 2025.1.20	Abstract Introduction: Determining the actual amount of inflow values into the dam reservoir, as one of the main sources of water supply, is one of the basic components of decision-making in the field of water resources management. Due to limitations of the lack of proper spatial and temporal distribution of data extracted from ground stations, the use of satellite-based data is attractive and interesting. However, the scale of satellite-based data and the need for their exponential scaling are the uncertainties of these data. Methods: In this research, the performance of PERSIANN-CDR and CMC (Canadian Meteorological Centre) satellite data for rainfall and snow estimation and determining the inflow values into the dam reservoir is investigated. Therefore, by considering different combinations of input data, different models are proposed and the input flow to the dam reservoir is predicted using the artificial neural network (ANN) model. Here, the ZayandehRoud dam reservoir of the Gavkhoni drainage basin is selected as a case study.  Findings: The results shows that the best R2 and RMSE values for rainfall (snow) estimation data based on the PERSIANN-CDR satellite (CMC) are 0.49 (0.34) and 60.90 (41.56) mm. In other words, the results show the proper performance of satellite-based data for rainfall and snow estimation. Therefore, these data are used for creating the ANN model to determine the inflow values into the reservoir of ZayandehRoud dam reservoir. The results show that the values of R2, RMSE and NES for training data (validation and testing) of ANN model are equal to 0.72 (0.74), 56.08 (75.178) MCM, and 0.85 (0.86) respectively. In other words, the results show the proper performance of satellite-based data for estimating and determining the inflow into the ZayandehRoud dam reservoir using ANN model.
Use your device to scan and read the article online       DOI: 10.30495/wej.2024.32858.2404
Keywords: Satellite-based data, Rainfall, Water equivalent to snow, Artificial neural network, Zayandeh Rood Dam
Citation:  Moeini R, Alijanian M A, Moradizadeh M. Predicting the inflow into the dam reservoir using artificial neural network model based on PERSIANN-CDR and CMC data (case study: ZayandehRoud Dam). Water Resources Engineering Journal. 2025; 18 (64): 1- 14.
*Corresponding author: Ramtin Moeini Address:Department of Civil Engineering, Faculty of Civil and Transportation Engineering, University of Isfahan, Isfahan, Iran Tell:[phone] Email:[e-mail]

 

Extended Abstract

Introduction

In recent decades, by the developing the science and technology and increasing the population, the water demand has increased in different regions, especially arid and semi-arid regions. On the other hand, the limitation of water resources has made it impossible to satisfy all water demand. One of the most important water sources is the surface water that dams are built to use it. However, determining the optimal water release values from the dam reservoirs requires accurate determination of the amount of inflow into them. Therefore, proposing accurate and appropriate methods for predicting the inflow into the reservoir is one of the most important challenges facing managers and operators of water resources. Nowadays, intelligent data-driven models are widely used in the field of analyzing complex problem, among which artificial intelligence models, including the artificial network model (ANN), can be maintained.

Precipitation (consist of rainfall and snow) is one of the important components of the hydrological cycle and the first input data of hydrological models. Although ground station data (observational data) have higher accuracy, however, setting up ground stations is costly and difficult in some areas. In addition, the limitations of ground measurements and the development and availability of satellite-based data have encouraged water resource managers and researchers to use them. Reviewing the research show that satellite-based rainfall estimation data have been used in different cases. Recently, the PERSIANN-CDR satellite-based data is attractive for researchers due to its ability to estimate rainfall in long-term periods and even close to the present time. However, research focuses on the performance of satellite-based data in the term of snow estimation is limited. In this regard, the evaluation of satellite production based on the data of ground station observations in different temporal and spatial scales, including in Iran, shows the accuracy and correctness of the obtained results.

Due to the good performance of the ANN model, here, this model is used to predict the inflow values into the ZayandehRoud dam reservoir. For this purpose, satellite-based data is used to create the input data set of this model, which is the innovation of the present research. The results are compared with the obtained results of the model based on the ground station data. It is worth noting that for the study area (upstream of Zayandehroud dam), the researchers of the present study used two sets of satellite-based precipitation estimation, PERSIANN-CDR and Canadian Meteorological Centre (CMC), to investigate the two variables of rainfall and snow, respectively, during the period of 1999 to 2019. The results showed the proper performance of satellite-based data. Here, the performance of these data in comparison with ground station data in predicting the inflow to ZayandehRoud dam reservoir is investigated using ANN model.

 

Materials and Methods

Here, two categories of data including rainfall and water equivalent to snow in the upstream of Zayandehroud dam are used, which are provided from two sources of ground stations and satellite-based products. According to the accuracy of the long-term climatic rainfall estimation data of PERSIANN-CDR, these data are used as satellite-based rainfall estimation data. In addition, to investigate the amount of water equivalent to snow, the data of CMC are used. For this purpose, the number of 12 cells (with spatial magnification of 1/4 degree) is selected to investigate the performance of PERSAINN-CDR satellite-based rainfall estimation data. Then, the average monthly rainfall of all stations in each cell is considered observed rainfall of the target cell, and it is compared with the estimated values of the satellite-based data. For CMC data, 8 cells are selected (with quarter degree magnification) where the snow equivalent water values of the observation stations are compared with the estimated values. The obtained results are presented and compared. Then, by using the obtained satellite-based data, the ANN model is used to predict the inflow into the ZayandehRoud dam reservoir. In addition, ground station data are used for this purpose and the results are compared with the results of satellite-based data.

 

Findings

In this research, according to the results of different monthly satellite-based data of rainfall (PERSIANN-CDR) and snow (CMC) estimation and their proper performance, these data are used for predicting the inflow into the ZayandehRoud dam reservoir using the ANN model. Here, various ground station and satellite data, including the inflow into the dam reservoir, rainfall and water equivalent to snow, are used to create ANN models. In addition, to investigate the effects of time delays of the input data, the inflow into reservoir from one up to 12 months lags, as well as rainfall and snow data, with one up to 12 month lags (t-1, t-2, ... t-12), are also considered as input data set. By defining the input data, different combination of input data set are proposed leading to various models. In the best proposed model (II), the input data set include the inflow into the reservoir with monthly time lags (1 up to 12 months), PERSIANN-CDR satellite rainfall data in the target month and the months before (1 up to 12 months time lags) and snow data of the CMC in the target month and the months before (1 up to 12 months time lag). To compare the performance of satellite-based data, a model based on the related ground station data is also proposed. By considering data from 2000 to 2019, these models are run 10 times using ANN and three neurons for hidden layer. The results shows that by using the model (II), an acceptable results are obtained compared to the ground station data, in which the R2 and RMSE values for the training data set are equal to 0.72 and 56.08 MCM, respectively, and for test and validation data are equal to 0.74 and 75.178 MCM, respectively.

 

Conclusion

Here, the performance of using satellite-based data for prediction the inflow into the ZayandehRoud dam reservoir was investigated. For this purpose, the satellite data of PERSIANN-CDR and CMC were used to determine the rainfall and snow, and the results were compared with the results of ground station data. Then, by combining various input data including rainfall, snow and inflow values with time lags, different ANN- based models were proposed to predict the inflow into the dam reservoir. The results showed that by using second ANN model (II) acceptable results were obtained, in which the RMSE and R2 values for training (testing and validation) data set were equal to 56.08 (75.178) MCM and 0.72 (0.74), respectively. In general, the results showed the proper performance of the proposed models to predict the inflow into the ZayandehRoud dam reservoir.

 

Ethical Considerations compliance with ethical guidelines

The cooperation of the participants in the present study was voluntary and accompanied by their consent.

 

Conflicts of interest

The authors declared no conflict of interest.

 

Acknowledgment

The study results are the initial steps of the research project of estimating Zayandehroud dam inflow utilizing AMSR-based SWE observations. The authors kindly appreciate for supports of the Iran National Science Foundation (INSF) through the research project of 98020001.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

مقاله پژوهشی
پیش‌بینی جریان ورودی به مخزن سد با استفاده مدل شبکه عصبی مصنوعی بر مبنای داده‌هاي ماهواره‌ محورPERSIANN-CDR و  CMC (مطالعه موردي: سد زاينده ‌رود)
رامتین معینی۱*، محمدعلی علیجانیان۲،  مینا مرادی­زاده۳ ۱. دانشیار گروه مهندسی عمران، دانشکده مهندسی عمران حمل و نقل، دانشگاه اصفهان، اصفهان، ایران ۲. استادیار گروه مهندسی عمران، دانشکده مهندسی عمران حمل و نقل، دانشگاه اصفهان، اصفهان، ایران ۳. استادیار گروه مهندسی نقشه برداری، دانشکده مهندسی عمران حمل و نقل، دانشگاه اصفهان، اصفهان، ایران
تاریخ دریافت: 26/09/403        1 تاریخ داوری: 14/10/403        1 تاریخ پذیرش: 01/11/1403	چکیده مقدمه:تعيين مقدار واقعي جريان ورودي به مخزن، به عنوان يکي از منابع اصلي تامين آب، از مولفه‌هاي اساسي تصميم‌سازي در حوزه مديريت منابع آب مي‌باشد. به دلیل محدودیت عدم توزيع مناسب مکاني و زماني داده‌هاي مستخرج از ايستگاه‌هاي زميني، بکارگيري داده‌هاي ماهواره‌محور مورد توجه می باشد. ولیکن مقیاس داده‌‌های ماهواره‌ محور و لزوم ریز مقیاس‌ نمایی آنها از جمله عدم قطعیت‌های این داده‌ها می باشد. روش­:در این تحقيق، عملکرد داده‌‌های ماهواره محور PERSIANN- CDR و CMC (Canadian Meteorological Centre) در تخمین بارش و تعیین جریان ورودی به مخزن سد بررسی شده است. لذا، با ترکیب مختلف داده‌های ورودی، مدل‌هایی معرفی و با استفاده از مدل شبکه عصبی مصنوعی جریان ورودی به مخزن سد پیش بینی شده و با نتایج داده‌های زمینی مقایسه شده است. در این تحقیق، مخزن سد زاينده رود از حوضه آبريز گاوخوني به عنوان مطالعه موردي انتخاب شده است. یافته­ها:بررسی نتایج نشان دهنده آنست که بهترین نتایج شاخص R2 و RMSE  برای داده‌هاي تخمين بارندگي (برف) ماهواره‌محورPERSIANN-CDR (CMC)  49/0 (34/0) و 90/60 (56/41) میلیمتر می باشد. به عبارت دیگر، نتایج نشان دهنده عملکرد مناسب داده های ماهواره محور در تخمین بارنگی و برف می باشد. بنابراین از این داده ها در ساخت شبکه عصبی مصنوعی به منظور تعیین جریان ورودی به مخزن سد زاینده رود استفاده شده است. نتیجه­گیری:بررسی نتایج مدل شبکه عصبی مصنوعی نشان داد که مقادیر شاخص R2 ، RMSE و NSE  برای داده های آموزش (صحت سنجی و آزمایش) به ترتیب برابر با 72/0 (74/0)، 08/56 (178/75) میلیون متر مکعب (MCM) و 85/0 (86/0) می باشد که نشان‌دهنده عملکرد مناسب این مدل در تعیین و پیش بینی جریان ووردی به مخزن سد زاینده رود می باشد.
از دستگاه خود برای اسکن و خواندن مقاله به صورت آنلاین استفاده کنید       DOI: 10.30495/wej.2024.32858.2404
واژه­های کلیدی: داده های ماهواره محور، بارندگی، آب معادل برف، شبکه عصبی مصنوعی، سد زاینده رود.
* نویسنده مسئول: رامتین معینی نشانی:گروه مهندسی عمران، دانشکده مهندسی عمران و حمل و نقل، دانشگاه اصفهان،اصفهان، ایران. تلفن:[phone] پست الکترونیکی:[e-mail]

 

 

مقدمه

در دهه­های اخیر، با پیشرفت علم و افزایش جمعیت، تقاضای آب در مناطق مختلف بویژه مناطق خشک و نیمه‌خشک افزایش یافته است. از طرفی محدودیت منابع آب، برطرف کردن تمامی نیازهای آبی را غیر ممکن کرده است. به همین دلیل نیاز به یک مدیریت صحیح و بلندمدت در این زمینه بیش از پیش احساس می­شود. یکی از مهم­ترین منابع آبی قابل استفاده توسط بشر، منابع آب سطحی است که سدها برای استفاده از آن­ها احداث می­­شوند. تعیین مقدار بهینه خروجی از مخازن سدها نیازمند تعیین دقیق میزان جریان ورودی به آنها می باشد. به عبارت دیگر، تصمیم­گیری در خصوص منابع آب موجود، فرایندی پیچیده و مهم است که احتیاج به اطلاعات اولیه از جمله میزان جریان ورودی به مخزن سد، دارد. از این رو، معرفی روش­های دقیق و مناسب در پیش­بینی جریان ورودی به مخزن، یکی از مهم­ترین چالش­های پیش­روی مدیران و بهره­برداران منابع آب است. عوامل زیادی از جمله میزان بارش بر جریان یک رودخانه تاثیر گذارند که بسیاری از آن­ها فاکتورهای غیرقطعی و ناپایدار هستند و بنابراین تحلیل این پدیده را دشوار می­سازند. در حالت کلی، روش­های متداول تحلیل جریان رودخانه شامل مدل­های فیزیکی و مفهومی، سری­های زمانی و رگرسیون می­باشند که با وجود محدودیت اطلاعات و حقیقت غیر قطعی این پدیده، معمولا با خطا همراه هستند. امروزه مدل­های هوشمند داده محور کاربرد فراوانی در زمینه تحلیل پدیده­های پیچیده و غیرقطعی دارند، که از جمله آن­ها می­توان به مدل­های هوش مصنوعی از جمله مدل شبکه مصنوعی¹ (ANN) اشاره نمود(27)

بارش (به مفهوم عام بارندگي و برف) يکي از مولفه­هاي مهم چرخه هيدرولوژي و اولين ورودي مدل­هاي هيدرولوژي، به منظور توسعه استراتژي­هاي مديريتي است. بطورکلي، دو رويکرد براي بدست آوردن داده­هاي بارش پیشنهاد شده است كه عبارتند از 1) مشاهدات و اندازه­گيري آن بوسيله ايستگاه­هاي باران­سنجي و برف‌سنجي زميني (به ترتيب براي اندازه‌گيري باران و آب معادل برف) و 2) استفاده از داده­هاي تخمين بارندگي ماهواره­محور. با وجود آنکه داده­هاي زميني (داده‌هاي مشاهداتي) صحت بالاتري دارند، وليکن راه­اندازي ايستگاه­هاي زميني هزينه­بر بوده و در برخي مناطق همانند نقاط کوهستاني با سختي همراه است. علاوه بر این، محدوديت­هاي اندازه­گيري‌هاي زميني مانند نقطه‌ای بودن مشاهدات از يک سو و توسعه و در دسترس بودن داده­هاي ماهواره­محور از سوي ديگر مديران و محققين منابع آب را به سمت استفاده از آن­ها تشويق نموده است. بررسي پیشینه تحقيقات نشان دهنده آنست كه، داده­های تخمین بارندگی ماهواره­محور (SRE²) در موارد مختلف بطور مستقل و یا در مقایسه با داده­های زمینی استفاده شده است(10). اخیرا، داده ماهواره‌محور PERSIANN-CDR³(7) بدليل آنكه توانايي تخمين بارندگي در دوره‌هاي دراز مدت و حتي نزديك به زمان حاضر را دارند، بسيار مورد توجه محققين قرار گرفته است. دراینراستا،ارزیابیتولیداتماهواره­ایتخمین بارندگی براساس داده­های مبتنی برمشاهدات زمینی درمقیاس­های مختلف زمانی و مکانی از جمله در ایران، نشان‌دهنده دقت و صحت نتایج می باشد. از جمله این مدل‌ها می توان به TRMM-3B42، TRMM-3B42V7، TRMM-3B42RT، TRMM-3B42، CMORPH، adjusted-PERSIANN، TRMM-3B42RTV6، MSWEP و PERSIANN اشاره نمود که از آنها برای تخمین بارندگی در نقاط مختلف ایران از جمله در امتداد رشته کوه زاگرس، در مناطق جنوب غرب ايران و نیز حاشیه خلیج فارس استفاده شده است(2، 3، 10، 14، 17، 29و 31). بااین وجود، تحقیقات درخصوص عملکرد داده‌های ماهواره‌محوردرتخمین برف محدود می باشد(22).

تخمین و پیش‌بینی صحیح میزان جریان ورودی به مخازن سدها به منظور مدیریت کارآمد آنها به ويژه در شرایط آینده لازم و ضروری است. در این راستا، تحقیقات متعددی در زمینه تخمین و پیش​بینی جریان رودخانه ها و آب ورودی به مخزن سده ها انجام شده است (12و27). بدین منظور روش​های مختلفی پیشنهاد شده ​است که هر​یک مزایا و معایب مختلفی دارند. به طور کلی روش‌ها به دو دسته روش‌های متریک یا داده محور و روش های پارامتریک یا مفهومی تقسیم بندی می شود. تفاوت اصلی دو روش مذکور در میزان وابستگی آن‌ها به داده‌های ورودی است. در روش‌های متریک، مدلساز برای پپیش‌بینی جریان تنها به سری زمانی داده‌های رواناب و در‌نهایت بارش و دما متکی است. اما اساس کار روش‌های پارامتریک، درک دقیق از ساز‌و‌کار فیزیکی حاکم بر فرآیند‌های هیدرولوژیک حوضه است. از این رو، روش‌های پارامتریک برای مدل‌سازی و پیش‌بینی جریان، نیازمند طیف وسیعی از داده‌های هیدرولوژیک و هواشناسی حوضه هستند. به صورت کلی، انتخاب روش مناسب برای پیش‌بینی و مدلسازی جریان به شرایط مساله و داده‌های در دسترس وابسته است. اما وابستگی کمتر روش‌های متریک به حجم داده های ورودی و همچنین پیچیدگی کمتر این مدل‌ها باعث مقبولیت گسترده این روش‌ها شده است. بررسی سوابق تحقیقاتی نشان‌دهنده عملکرد خوب مدل‌های داده محور بر مبنای هوش مصنوعی، از جمله مدل شبکه عصبی مصنوعی، در پیش بینی جریان رودخانه‌ها و آب ورودی به سدها می باشد (1،5، 6، 9، 13، 15، 16، 17، 18، 19، 20، 23، 24، 25، 26،28، 29 و30).

با توجه به عملکرد خوب مدل شبکه عصبی مصنوعی در پیش‌بینی جریان رودخانه‌ها و آب ورودی به مخزن سدها (27) بر مبنای داده های مشاهداتی ایستگاههای زمینی، در این تحقیق، از این مدل برای پیش بینی جریان ورودی به مخزن سد زاینده رود و بر مبنای داده‌های ماهواره محور استفاده شده است. بدین منظور از داده‌های ماهواره محور برای ساخت داده‌های ورودی این مدل استفاده شده است، که از نوآوری‌های تحقیق حاضر می باشد. نتایج با نتایج بدست آمده از ساخت مدل بر مبنای داده‌های زمینی مقایسه شده است. شایان ذکر است که برای محدوده مطالعاتی (بالادست سد زاینده‌رود)، محققین تحقیق حاضر از دو دسته داده تخمین بارش ماهواره­محور PERSIANN-CDR و CMC⁴ به ترتیب جهت بررسی دو متغیر بارندگی و برف برای بازه سال‌های 1999 تا 2019 استفاده نمودند (3). عملکرد این دو دسته داده ماهواره­محور، با مقایسه آنها با داده­های ایستگاه­های زمینی (در مجموع 16 ایستگاه باران سنجی و 14 ایستگاه برف سنجی) در ناحیه بالادست سد زاینده‌رود و در مقیاس زمانی ماهانه در بازه زمانی بیست و یک ساله 1378 تا 1398 (2019-1999) ارزیابی شده است. با توجه به نتایج بدست آمده، در این تحقیق، عملکرد این داده‌ها در مقایسه با داده‌های زمینی در پیش بینی جریان ورودی به مخزن سد زاینده رود با استفاده از مدل شبکه عصبی مصنوعی بررسی شده است.

در حالت کلی پیش‌بیني‌ﻫﺎ ﻫﻤﻮاره ﺑﺎﻋﺪمﻗﻄﻌﯿﺖ ﻫﻤﺮاه است. خطاهای تقریبهای به کار‌رفته در اندازه گیری داده‌ های ورودی، مقادیر پارامترها، ساختار مدل و الگوریتم روابط مابین پارامترها ومتغیرها درمدل، همگی منابع عدمقطعیت هستند. با توجه به این موارد، ﻣﻨﺎﺑﻊﻋﺪمﻗﻄﻌﯿﺖ در اﯾﻦﻣﺪلﻫﺎ را میﺗﻮان در ﺳﻪ دﺳﺘﻪ، استفاده ازپارامترها، ﺳﺎﺧﺘﺎرﻣﺪل و دادهﻫﺎيﻣﻮرد اﺳﺘﻔﺎده، تقسیم بندی نمود. به عنوان نمونه، در مدل شبکه عصبی مصنوعی، پارامترهای مدل (از جمله وزن ها) فاقدمبنای فیزیکی هستند و بنابراین از ابتدا نمیتوان برای آنها همانند پارامترهای فیزیکی، دامنه‌ای از مقادیر فرض کرد. بلکه، مقادیراولیهاین پارامترها به صورت تصادفی انتخاب شده و سپسبا استفاده از روش مقدار مناسب آنهاتعیین میشود. بنابراین، عدمقطعیتی که در نتایج خروجی مدلها مشاهده میشودرا می توان به آن نسبت داد. در این تحقیق نیز، منابع عدم قطعیت جریان پیش بینی شده ورودی به مخزن سد زاینده، مربوط به داده های مدل ها (بارش و آب معادل برف) و پارامترها و ساختار مدل های شبکه عصبی مصنوعی می باشد. در انتها ذکر این نکته ضروری است که ناقص بودن و صحت داده‌های زمینی به ویژه داده های آب معادل برف و جدا سازی داده‌های بارندگی از برف از مهمترین محدودیت های تحقیق حاضر می باشد. علاوه بر این، دسترسی آزاد به داده‌های سایر ماهواره ها نیز به راحتی امکانپذیر نمی باشد. بنابراین امکان صحت سنجی نتایج داده‌های ماهواره محور مورد استفاده با مشکل همراه بود که سعی شده است با روش‌های مختلف این محدودیت برطرف شود. همچنین، شناسایی عوامل خطا در ساخت مدل های شبکه عصبی مصنوعی (به ویژه تعیین جریان طبیعی رودخانه و حذف جریان های ناشی از طرح های انتقال آب در بالادست) و زمانبر بودن آموزش مدل ها از جمله محدودیت های تحقیق حاضر می باشد.

 

مواد و روش­ها

در این تحقیق، مدلهایی بر مبنای داده‌های ماهواره محور برای پیش بینی و تعیین جریان ورودی به مخزن سد پیشنهاد شده است. روندنمای کلی تحقیق در شکل (1) ارائه شده است. در این بخش، در ابتدا مطالعه موردی معرفی شده است. در ادامه، داده های ماهواره محور مورد استفاده در تحقیق ارائه شده است. در نهایت، توضیحاتی مختصر در خصوص مدل شبکه عصبی مصنوعی ارائه شده است.

 

شکل 1- روندنمای کلی تحقیق

Figure 1 - Overview of the research process

 

معرفی مطالعه موردی

محدوده مطالعاتی تحقیق حاضر، حوضه آبريز گاوخوني يا زاينده‌رود واقع در فلات مرکزي ايران مي‌باشد. رودخانه جاری در این حوضه مهمترين منبع تأمين آب مورد نياز بخش‌هاي کشاورزي، صنعت و شرب استان هاي چهارمحال و بختياري و اصفهان و نيز انتقال آب بين‌حوضه­اي آب اين رودخانه به استان­هاي يزد و کرمان براي مصارف شرب و صنعت می باشد. بيشتر بارشهاي حوضه زاينده‌رود به صورت يخ و برف تا فرارسيدن ماه فروردين و افزايش درجه حرارت باقي مي‌ماند. تأثير برفاب بهاره به صورت دبي‌‌هاي حداکثر در فصل بهار و هنگام حداکثر نياز بخش کشاورزي می باشد. رشد جمعیت و فعالیت انسانی و توسعه​ از مهمترین چالش های این حوضه است. عدم هماهنگي توسعه صنعت و رشد جمعيت با منابع آب در اين حوضه منجر به عدم توازن منابع و مصارف آب شده است به نحوي که تقريباً در اکثر سال​ها تأمين مطمئن آب شرب و صنعت با فشار به بخش​هاي کشاورزي و محيط زيست همراه بوده است. بنابر اين نياز به انجام يک مديريت صحيح و بهره​برداري بهينه از مخزن به منظور مقابله با بحران آب لازم و ضروري بنظر مي​رسد. با توجه به مطالب مذکور، پيش‌بيني جريان ورودي به مخزن سد به منظور ​برآورد ميزان خروجي از سد و مديريت مقدار آب ورودي از اهميت زيادي، به ويژه در شرايط بحراني سيل و خشک​سالي، برخوردار است. در شکل (2) موقعيت اين حوضه در کشور نشان داده شده است.

 

 

---

[1] Artificial neural network

[2] Satellite based Rainfall Estimates

[3] PERSIANN-Climate Data Record

[4] Canadian Meteorological Centre (CMC) Daily Snow Depth Analysis Data

 

شکل 2- موقعيت حوضه آبريز گاوخوني (زاينده­رود) در ايران (28)

Figure 2 - Location of the Gavkhoni (Zayandehroud) watershed in Iran (28)

 

 

در تحقیق حاضر، داده­های روزانه بارندگی ایستگاه­های زمینی از دو منبع؛ الف) شبکه ایستگاه­های سینوپتیکی و ب) داده­های ایستگاه­های اقلیم شناسی اداره هواشناسی تهيه شده است. بطور کلي در محدوده بالادست سد زاينده رود ايستگاه‌هاي باران‌سنجي به دو دسته باران‌سنجي معمولي (27 عدد) و سينوپتيکي (7 عدد) تقسيم مي‌شوند که داده‌هاي آنها براي يک دوره بيست ساله 1999 تا 2019 بصورت ماهانه جمع آوري شده است. در جدول (1) بطور خلاصه و برای نمونه داده های میانگین بارندگی ماهانه برای ایستگاه‌های سینوپتیکی ارائه شده است. همچنین، در شکل 3 توزیع مکانی ایستگاه‌های باران سنجی نسبت به مرزهای حوضه آبریز زاینده‌رود نیز نشان داده شده است. با توجه اطلاعات موجود، 24 ایستگاه برای آنالیزهای داده‌کاوی و صحت سنجی بررسی شده است. در این بین، 7 ایستگاه آبپونه، افوس، دولت اباد گل سفید، فریدونشهر، سنگبران، فراسان و خوانسار نیز بدلیل اینکه داده‌های بدون برداشت متوالی فراوانی داشته و اساسا راه اندازی آنها غالبا بعد از سال 2003 است، قابلیت استفاده را نداشته و بنابراین مورد استفاده قرار نخواهند گرفت و تنها 17 ایستگاه برای تحلیل داده انتخاب شد. در بین ایستگاه‌های باقیمانده نیز 4 ایستگاه بارده، صالح آباد زری، رستم آباد و رارا نیز دارای داده‌های مفقودی محدودی بودند که با استفاده از روش نسبت نرمال، داده های مفقودی مذکور با توجه به اطلاعات سایر ایستگاه‌ها جایگزین شد. در نهايت، 17 ایستگاه براي آنالیز آماری انتخاب و با استفاده از روش جرم مضاعف سازگاری هریک با سایر ایستگاه‌ها بررسی شد که نتایج آن پیش آن ارائه شده است (2).

جدول 1- میانگین بارندگی ماهانه گزارش شده از ایستگاه‌های سینوپتیکی مستقر در محدوده مطالعاتی (بالادست سد زاینده رود)

Table 1 - Average monthly precipitation reported from synoptic stations located in the study area (upstream of Zayandehroud dam)

نام ایستگاه	استان	دروه قرائت	میانگین  بارندگی ماهانه (میلیمتر)
داران	اصفهان	2019-1999	14/27
فریدونشهر	اصفهان	2019-2004	36/44
گلپایگان	اصفهان	2019-1999	88/19
خوانسار	اصفهان	2019-2006	29/32
کوهرنگ	چهارمحال و بختیاری	2019-1999	70/102
فارسان	چهارمحال و بختیاری	2019-2010	04/30

 

علاوه بر این، به منظور بررسي اثر آب معادل برف در ميزان رواناب ورودي به مخزن سد، داده‌هاي برف سنجي چهارده ايستگاه مختلف، که تحت نظر شرکت‌های آب منطقه‌اي استان‌هاي اصفهان و چهار محال و بختیاری هستند، در بازه زماني بيست ساله (1999-2019) جمع آوري شده اند. داده‌هاي مذکور مربوط به ثبت چگالي برف و آب معادل برف 14 ايستگاه مختلف است. در شکل (4) توزیع مکانی ایستگاه‌های برف‌سنجی نسبت به مرزهای حوضه آبریز زاینده‌رود نشان داده شده است. همچنین، در جدول (2) برای نمونه داده‌های مربوط به مشاهدات برف زمستان به صورت میانگین برای دوره آماری ارائه شده است. شايان ذكر است كه برداشت‌های مربوط به آب معادل برف تنها در سه ماه دی، بهمن و اسفند انجام شده است. نحوه عملکرد آن به گونه‌اي است که مقدار برف جمع‌آوری شده در ظروف مربوطه در دمای صفر درجه اتاق تبدیل به آب شده و میزان آب معادل برف بصورت روزانه قرائت شده است.

 

 

 

شکل3- ایستگاه‌های باران‌سنجی مورد استفاده در تحقیق نسبت به مرزهای حوضه آبريز گاوخوني (زاينده­رود)

Figure 3 - Rain gauge stations used in the study related to the boundaries of the Gavkhoni (Zayandehroud) watershed

 

جدول 2- مقادیر میانگین مشاهداتی ایستگاه‌های برف سنجی مستقر در ناحیه مورد مطالعه

Table 2 - Average observed values from snow measurement stations located in the study area

ماه	میانگین ماهانه برف (میلیمتر)
	چلگرد	نصیرآباد	محمدآباد	شیخ شبان	قلعه مرغ	دره گاو	سودجان
Jan	519/118	57/58	68/90	69/22	49/60	91/34	1/37
Feb	1/179	62/101	43/155	38/57	02/104	86/38	38/44
Mar	5/80	31/16	84/42	01/9	8/13	23/4	29/4
ماه	میانگین ماهانه برف (میلیمتر)
	بارده	بادیجان	گردنه اوشن	اسلام آباد	قلعه شاهرخ	گردنه بوئین	سینجرد
Jan	68/34	66/25	19/20	48/15	78/15	43/32	85/19
Feb	74/81	24/59	76/32	33/36	17/43	05/69	29/54
Mar	26/28	48/14	62/3	52/4	86/3	21/24	05/9

 

 

 

شکل4- ایستگاه‌های برف سنجی مورد استفاده در تحقیق نسبت به مرزهای حوضه آبريز گاوخوني (زاينده­رود)

Figure 4: Snow gauge stations used in the research in relation with the boundaries of the Gavkhoni drainage basin (ZayandehRoud)

 

 

داده­های ماهواره محور

در تحقيق حاضر از دو دسته داده شامل بارندگي و آب معادل برف در محدوده بالا دست سد زاينده‌رود استفاده شده است که از دو منبع ايستگاه‌هاي زميني (ايستگاه‌هاي آب و هواشناسي) و توليدات ماهواره‌محور تامين شده است. با توجه به توصیه سایر پژوهشگران (2 و 3)در خصوص صحت و نیزقابلیت دسترسی مناسب داده‌ها (از سال 1383 بدون محدودیت برای کاربران ایرانی)، از داده‌های تخمین بارندگی دراز مدت اقلیمیPERSIANN-CDR به عنوان داده ماهواره‌محورتخمین بارش استفاده شده است. همچنين، به‌ منظور بررسی ميزان آب معادل برف نیز از داده‌های تخمین آب معادل برف CMC (در دسترس از سال 1999 به بعد) استفاده شده است.

در این بخش، ابتدا توضیحاتی در خصوص این دو داده ماهواره‌محور ارائه شده است. به منظور دسترسی مناسب به داده­هاي تخميني بارندگي، نسل جديدي از داده ها به نام داده‌هاي اقليمي PERSIANN-CDRدر سال 2014 ارائه شد. از مزیت های این داده در مقایسه با دیگر داده‌ها، امکان دسترسی در بازه زماني طولاني­تري، بيش از 30 سال، در محدوده تقريبا سراسري (60 ̊ S- 60 ̊ N) بصورت روزانه و با درشت­نمايي مکاني 25/0 درجه می باشد. علاوه بر این، با انجام آناليزهاي عمق برف روزانه جهاني در مرکز هواشناسي کانادا (CMC)، مجموعه داده براي تخمين آب معادل برف در نيم کره شمالي توليد شده‌است. اصلي ترين محصولات اين مجموعه داده،شامل عمق برفروزانه، ميانگين عمق برف ماهيانه (در واحد سانتي متر) و آّب معادل برف ماهيانه (در واحد ميلي متر) از سال 1998 تا 2020 است. در توليد اين نوع داده، از درجه حرارت و بارش پيش بيني شده شش ساعتي، به دست آمده از يک مدل کانادايي استفاده شده است. در اين مدل اگر درجه حرارت کمتر از صفر درجه سانتيگراد باشد، بارش به صورت برف فرض مي‌شود(3).

در این تحقیق، تعداد 12 سلول (با درشت نمایی مکانی ربع درجه) برای ارزیابی عملکرد داده تخمین بارندگی ماهواره­محور PERSAINN-CDR بصورت سلول به سلول انتخاب شده است. در ادامه، میانگین بارندگی­های ماهانه کلیه ایستگاه­های درون هر سلول به عنوان مقدار بارندگی مشاهداتی سلول منظور و با مقادير تخميني از داده‌هاي ماهواره­محور مقایسه شده است. در خصوص داده تخمین آب معادل برف  CMCنیز تعداد 8 سلول (با درشتنمایی ربع درجه) انتخاب شد که در آنها مقادیر آب معادل برف ایستگاه‌های مشاهداتی با مقادیر تخمینی مقایسه شده است. نتایج ارزیابی عملکرد داده‌ها، توسط محققین حاضر ارائه شده است (2). آرایش این سلول ها در شکل 5 ارائه شده است. در ادامه، با استفاده از داده‌های ماهواره‌محور بدست آمده، از روش­های هوش مصنوعی به ­منظور پیش­بینی جریان ورودی به مخزن سد زاینده­رود استفاده شده است. بدین منظور، از مدل شبکه عصبی مصنوعی استفاده شده­است. همچنین، از داده­های زمینی نیز بدین منظور استفاده شده و نتایج با نتایج داده­های ماهواره­محور مقایسه شده­است.

 

 

 

 

 

 

شکل5- آرایش سلول‌های با داده‌های تخمین بارندگی ماهواره‌محور نسبت به موقعيت ایستگاه‌های باران‌سنجی برف‌سنجی مورد استفاده در تحقیق

Figure 5: The arrangement of cells containing satellite-based estimated precipitation data in related to the locations of the rain gauge and snow gauge stations used in the study

 

 

مدل شبکه عصبی مصنوعی

شبکه­های عصبی مصنوعی زیرمجموعه­ای از علم هوش مصنوعی هستند. این سیستم، یک سیستم داده­پردازی اطلاعات است که با هدف شبیه­سازی شبکه­های عصبی طبیعی معرفی شده­­است. شبکه­های عصبی مصنوعی تحت عنوان سیستم­های دینامیکی هوشمند مدل آزاد¹ طبقه­بندی می­شوند. دلیل اینکه این روش­ها هوشمند نامیده می­شوند این است که، به وسیله­ی پردازش داده­های عددی تجربی، رابطه موجود بین داده­ها آموزش داده می شود و از روابط آموزش دیده برای پیش­بینی پدیده­ها در آینده استفاده می­شود (11).

شبکه­های عصبی پرسپترون، پرکاربردترین شبکه­های عصبی هستند که با در نظرگیری تعداد مناسب لایه­ها و سلول­های عصبی، یک نگاشت غیرخطی با دقت مناسب تعریف می­شود. شبکه عصبی پرسپترون تک لایه معمولا در طبقه­بندی الگوها کاربرد دارد. شیوه آموزش این شبکه از نوع یادگیری با‌نظارت است که در آن اطلاعاتی نظیر تابع محرک، ورودی و خروجی مطلوب، پاسخ درست، الگو و اینکه الگو متعلق به چه طبقه­ای می­باشد، مشخص است. همچنین عملا خطای یادگیری برای مدل تعریف می­شود و شبکه در هر مرحله، از خطای یادگیری به منظور تنظیم پارامترهای شبکه به شکلی استفاده می شود که اگر مجددا همان ورودی­ها به مدل اعمال شود، خطای یادگیری کمتری حاصل شود. روش یادگیری پرسپترون تنها برای شبکه عصبی تک‌لایه و نرون­ها با تابع تبدیل آستانه دو مقداره حدی، کاربرد دارد و برای طبقه بندی بردارهایی که به طور خطی از هم مستقل هستند، استفاده می­شود. پرسپترون چند لایه (MLP²) شامل یک لایه ورودی، یک یا چند لایه پنهان و یک لایه خروجی است که تعداد لایه­های پنهان و تعداد نرون­ها در هر لایه ثابت نمی­باشد. تعداد نرون­های هر لایه بسته به نوع کار و وظیفه آن ممکن است متفاوت باشد و کاربر با توجه به مساله و هدف آن باید تعیین کند که شبکه چند لایه و چند نرون احتیاج دارد. تعداد بهینه لایه­ها و نرون­ها معمولا با روش سعی و خطا تعیین می شود (21).

 

نتایج

در اين تحقيق، به منظور بررسی عملکرد داده های ماهواره­محور تخمین بارندگی و آب معادل برف در پیش بینی میزان جریان ورودی به مخزن سد زاینده رود، از مدل مدل شبکه عصبی مصنوعی استفاده شده است. نتایج با نتایج حاصل از داده‌‌های ایستگاههای زمینی مقایسه شده است. برای بررسی نتایج از شاخص­های آماری جذر میانگین مربعات خطا (RMSE) ، ضریب تبیین (هم­بستگی،R2) و شاخص نش- ساتکلیف (NSE) استفاده شده­است. هم­چنین از ضریب هم­بستگی پیرسون به منظور بررسی وابستگی پارامترهای ورودی تاثیرگذار و مقادیر آن­ها بر نتایج استفاده شده­است. داده­های مدل­ها شامل جریان ورودی به مخزن سد، بارندگی و آب معادل برف می­باشد. همچنین، به­منظور بررسی اثرات تاخیرهای زمانی بردارهای ورودی، اطلاعات مربوط به مقدار دبی ورودی به سد زاینده­رود از یک تا 12 ماه تاخیر (t-1, t-2, … t-12) و همچنین اطلاعات هواشناسی نیز مشابه با اطلاعات مربوط به دِبی، از یک تا 12 ماه تاخیر (t-1, t-2, … t-12) به­علاوه داده­های مربوط به همان ماه به عنوان ورودی­های احتمالی در محاسبات ضریب هم­بستگی پیِرسون منظور شده است. داده خروجی نیزجریان ورودی به مخزن سد زاینده­رود تعریف شده­است. در جدول (3) داده­های در دسترس برای انجام تحقیق ارائه شده­است. تمامی داده­ها به صورت ماهانه ثبت شده­اند. برای بارش از داده­های زمینی و ماهوارهPERSIANN- CDRاستفاده شده­است. همچنین برای برف نیز از داده­های زمینی و ماهواره ­CMC استفاده شده­است. در ابتدا به­منظور انتخاب داده­های مناسب به عنوان ورودی برای مدل­های پیش­بینی کننده، از روش ضریب هم­بستگی پیرسون استفاده شده­است. در این تحقیق، با تعیین ضریب هم­بستگی پیِرسون، فقط از داده‌های ورودی موثر در ساخت مدل ها استفاده شده­است. دلیل این کار، کاهش حجم داده­های ورودی مدل­های پیش­بینی می­باشد که به کاهش چشمگیر مدت ­زمان محاسبات و همچنین افزایش دقت³ و کارایی مدل­ها منتهی می­شود.

 

جدول 3- داده­های ورودی و خروجی مساله

بازه زمانی(سال)	واحد	پارامتر
2003 تا 2019	میلیون متر مکعب (MCM)	مقدار دبی حجمی
2003 تا 2019	میلیمتر (mm)	بارش ماهانه (ایستگاه باران سنجی زمینی)
2003 تا 2019	میلیمتر (mm)	بارش ماهانه (داده­های ماهواره (PERSIANN-CDR
2003 تا 2019	میلیمتر (mm)	برف (ایستگاه برف سنجی زمینی)
2003 تا 2019	میلیمتر (mm)	برف (داده­های ماهواره CMC)

Table 3: Input and output data of the problem

 

در ابتدا، بررسی و تحلیل نتایج داده‌های ماهواره محور در مقایسه با داده‌های ایستگاههای زمینی نشان دهنده عملکرد مناسب داده‌های ماهواره محور PERSIANN-CDRو CMC در تخمین میزان بارندگی و برف می باشد. به عبارت دیگر، بهترین نتايج ارزيابي داده‌هاي تخمين بارندگی PERSIANN-CDRبرای شاخص R2و RMSEبه ترتیب برابر 49/0 و 90/60 میلیمتر می‌باشد. همچنين نتايج ارزيابي داده‌هاي تخمين آب معادل برفCMCنشاندهنده آنست که بهترين نتایج برای شاخص R2 و  RMSEبرابر با 34/0 و با 56/41 میلیمتر می باشد. بنابراین، از این داده‌ها به عنوان داده‌های ورودی در ساخت مدلهای شبکه عصبی مصنوعی استفاده شده است.

در ادامه، با شناسایی پارامترهای تاثیرگذار ورودی بر مبنای مقادیر ضریب پیرسون و ترکیب آنها مدل‌های مختلفی پیشنهاد و عملکرد آنها بررسی شده است. در این تحقیق فقط نتایج بهترین مدل ارائه شده است. در بهترین مدل (مدل (II، پارامترهای ورودی شامل جریان ورودی به مخزن با تاخیرهای زمانی یک، 11 و 12 ماهه (t-1, t-11, t-12) ، داده‌های بارش ماهواره PERSIANN-CDR در ماه هدف و با تاخیرهای زمانی 2، 3 و 4 ماهه (t, t-2, t-3, t-4) و داده های آب معادل برف ماهواره  CMCبا تاخیرهای 5 و 6 (t-5, t-6) ماهه می باشد. علاوه بر این، به منظور مقایسه عملکرد داده های ماهواره محور در مقایسه با داده‌های زمینی، مدلی بر مبنای داده‌های زمینی نیز معرفی شده است که در این مدل (مدل (I، پارامترهای ورودی مشابه مدلII منظور شده است.

در حالت کلی، مدل شبکه عصبی مصنوعی دارای یک یا چند لایه پنهان و یک لایه خروجی است که لایه­های پنهان در شبکه عصبی توسط نرون­ها به یکدیگر متصل می­شوند. تعداد لایه­های پنهان و هم­چنین تعداد نرون­های اتصال­دهنده لایه­ها در دقت نتایج بدست­آمده از مدل شبکه عصبی تاثیرگذار است. پارامترهای مذکور، هم­چنین در مدت­زمان انجام محاسبات و رخ­دادن پدیده بیش­برازش نیز موثر هستند. بنابراین، در این تحقیق با استفاده از روش سعی و خطا (آنالیز حساسیت) تعداد لایه­های پنهان، تعداد نرون­های اتصال­دهنده لایه­ها و توابع انتقال و آموزش تعیین شده­است. در جدول (4) مقدار مطلوب پارامترهای مدل شبکه عصبی مصنوعی ارائه شده­است. در مدل­سازی با مدل شبکه عصبی مصنوعی، 70 درصد داده­های ابتدایی به عنوان داده­های آموزش و 30 درصد انتهایی به عنوان داده­های صحت­سنجی و آزمایش منظور شده‌است. هم­چنین تمامی داده­ها نرمالسازی شده­است.

مدل­های I، II با استفاده از روش شبکه عصبی مصنوعی، 10 مرتبه اجرا شده­است. با انجام آنالیز حساسیت، تعداد نورون مناسب مدل‌ها برابر سه انتخاب شده است. در جدول (5) میانگین مقادیر به­دست­آمده برای 10 بار اجرای مدل­های مختلف ارائه شده­است. بررسی نتایج نشاندهنده آنست که که با استفاده از مدل دوم پیشنهادی پیش­بینی مقدار دبی ورودی به مخزن سد زاینده­رود (مدل II)، که در آن از داده­های بارش ماهواره‌محور PERSIANN-CDR، آب معادل برف ماهواره‌محور CMC و جریان ورودی به مخزن سد به صورت همزمان استفاده شده است، در مقایسه با داده‌های زمینی عملکردی قابل قبول داشته به گونه ای که مقادیر R2 ،RMSEو NSE برای داده­های آموزش به ترتیب برابر 72/0، 08/56MCM و 85/0 برای داده­های آزمایش و صحت­سنجی به ترتیب 74/0 و 178/75MCM و 86/0 می­باشد. به عبارت دیگر، مقدارR2 برای داده های آموزش و آزمایش و صحت‌سنجی در این مدل نسبت به مدل Iبه ترتیب 38/25 درصد و 89/2 درصد کاهش یافته است که این مقادیر قابل‌قبول می باشد.

 

جدول 4: مقادیر مطلوب پارامترهای مدل ANN

Table 4: Proper values of ANN model parameters

پارامتر parameter	مقدار value
تعداد لایه پنهان Number of hidden layers	1
تعداد نورون Number of neurons	1 و3 و 5
تابع آموزش Training function	Levenberg -marquardt
تابع انتقال Transfer function	tansig
تابع انتقال (لایه پنهان به لایهخروجی) Transfer function (output and hidden layer)	Pureline

علاوه بر این، در شکل 6 مقادیر بدست آمده برای جریان ورودی به مخزن سد برای مدل های IIو I با استفاده از مدل ANNدر مقایسه با داده‌های مشاهداتی ارائه شده است. بررسی نتایج نشان‌دهنده عملکرد مناسب و قابل قبول داده‌های ماهواره‌محور در ساخت مدل‌های بر مبنای روش ANNدر تعیین و پیش بینی جریان ورودی به مخزن سد زاینده رود می باشد.

بحث و نتیجه­گیری

در این تحقيق، عملکرد استفاده از داده‌هاي ماهواره‌محور در تعيين مقدار جريان واقعي ورودي به مخزن سد زاینده رود بررسی شد. بدین منظور، از داده‌های ماهواره محور PERSIANN-CDR(در دسترس از سال 1983 به بعد)، CMC(در دسترس از سال 1999 به بعد) به منظور تعیین میزان دقیق بارندگی و آب معادل برف استفاده و نتایج با نتایج داده‌های زمینی نتایج مقایسه شد. بررسی نتایج داده‌های ماهواره‌محور نشان داد که با استفاده از داده ماهواره محورتخمین بارندگیPERSIANN-CDR و تخمین برف ماهواره CMCدقت نتایج قابل قبول بود. به عبارت دیگر، کمترین خطایRMSEبرای داده‌هاي تخمين بارندگي ماهواره‌محور PERSIANN-CDR و تخمين برف CMC60/90 و 56/41 میلیمتر بود. در ادامه، با ترکیب مختلف داده‌های ماهواره‌محور و زمینی ورودی شامل بارندگی، برف و جریان ورودی به مخزن سد به همراه تاخیرهای زمانی آنها، مدل معرفی و از مدل شبکه عصبی مصنوعی برای تعیین جریان ورودی به مخزن سد استفاده شد. بررسی نتایج نشان داد که نتایج بدست آمده با استفاده از مدل II بر مبنای شبکه عصبی قابل قبول بود. به عبارت دیگر، مقادیرRMSE، R2و NSE به ترتیب برای داده های آموزش (آزمایش و صحت سنجی) برابر با 08/56 (178/75) , 72/0 (74/0) و 85/0 (86/0)  MCMبود. در حالت کلی، بررسی نتایج نشان‌دهنده عملکرد مناسب مدل‌های پیشنهادی شبکه عصبی مصنوعی برمبنای داده های ماهواره‌محور در تعیین و پیش بینی میزان جریان وروردی به مخزن سد زاینده رود بود.

جدول 5: میانگین نتایج به­دست­آمده از 10 بار اجرای مدل­های پیشنهادیANN

Table 5: The average results obtained from 10 times run of the proposed ANN models

مدل model	داده ها data	RMSE (MCM)	R2	NSE
I	آموزش Training	998/24	965/0	98/0
	آزمایش و صحت‎سنجی Test and validation	834/63	762/0	87/0
II	آموزش Training	08/56	72/0	85/0
	آزمایش و صحت سنجی Test and validation	178/75	74/0	86/0

 

شکل 6: مقادیر بدست آمده برای جریان ورودی به مخزن سد زاینده رود با استفاده از مدلII روش ANN  در مقایسه با داده های مشاهداتی

Figure 6: The obtained values of the inflow into the ZayandehRoud dam reservoir using model II of the ANN method compared to the observed data

 

ملاحظات اخلاقی پیروی از اصول اخلاق پژوهش

همکاری مشارکت­کنندگان در تحقیق حاضر به صورت داوطلبانه و با رضایت آنان بوده است.

حامی مالی

هزینه­تحقیق حاضر توسط نویسندگان مقاله تامین شده است.

 

تعارض منافع

بنابر اظهار نویسندگان، مقاله حاضر فاقد هرگونه تعارض منافع بوده است.

 

 

 

---

[1] Model free

[2] Multi-Layer Perceptron (MLP)

[3] Accuracy

References

1. Adamowski J. & Sun, K. 2010. Development of a coupled wavelet transform and neural network method for flow forecasting of non-perennial rivers in semi-arid watersheds, Journal of Hydrology, 390(1): 85-91.

2.Alijanian, M.A., Moradizadeh, M., Moeini, R. 2022. Estimation of precipitation using PERSIANN-CDR and CMC-based satellite productions (Case study: upstream of the Zayandehroud dam), EcoHydrology, 9(1): 157-172 [ in Persian].

3.Alijanian, M., Rakhshandehroo, G. R., Mishra, A. K., & Dehghani, M. 2017. Evaluation of Satellite Rainfall Climatology using CMORPH, PERSIANN-CDR, PERSIANN, TRMM, MSWEP over Iran. International Journal of Climatology. 37: 4896-4914.

4.Alijanian, M., Rakhshandehroo, G. R., Mishra, A. K., & Dehghani, M. 2019. Evaluation of remotely sensed precipitation estimates using PERSIANN-CDRand MSWEP for spatio-temporal drought assessment over Iran. Journal of Hydrology. 579: 124189.

5.Anctil, F. Michel, C. Perrin, C. &Andréassian, V. 2004. A soil moisture index as an auxiliary ANN input for stream flow forecasting," Journal of Hydrology, 286(1): 155-167.

6.Apaydin, H. Feizi, H. Sattari, M. T. Colak, M. S. Shamshirband, S. & Chau, K.-W. 2020. Comparative Analysis of Recurrent Neural Network Architectures for Reservoir Inflow Forecasting, Water, 12, (5): 1500.

7.Ashouri H., Hsu K. L., Sorooshian S., Braithwaite D.K., Knapp K.R., Cecil L.D., Nelson B. R., & Prat O. P. 2014. PERSIANN-CDR: daily precipitation climate data record from multi-satellite observations for hydrological and climate studies. Bulletin of the. American Meteorological Society. 96(1): 69–84.

8.Babaei, M. Moeini, R. &Ehsanzadeh, E. 2019. Artificial Neural Network and Support Vector Machine Models for InflowPrediction of Dam Reservoir (Case Study: Zayandehroud Dam Reservoir), Water Resources Management, 33(6): 2203-2218.

9.Budu, K. 2014. Comparison of Wavelet-Based ANN and Regression Models for Reservoir Inflow Forecasting, Journal of Hydrologic Engineering, 19(7): 1385-1400.

10.Dinku, T., Ceccato, P., Grover, K. E., Lemma, M., Connor, S. J., & Ropelewski, C. F. 2007. Validation of satellite rainfall products over East Africa's complex topography. International Journal of Remote Sensing, 28(7):1503-1526.

11.Gurney, K. 2000. Kevin Gurney, An Introduction to Neural Networks, University College London (UCL) Press, 1997. ISBN 1-85728-673-1 HB.£ 14.95. xi+ 234 pages,Natural Language Engineering, 6(2) : 203-204.

12.Guo W.D.,  Chen W.B.,  Chang, C.H. 2023.Prediction of hourly inflow for reservoirs at mountain catchments using residual error data and multiple-ahead correction technique, Hydrology Research 54 (9): 1072–1093.

13. Gupta, A. and Kumar A. 2022. Two-step daily reservoir inflow prediction using ARIMA-machine learning and ensemble models, Journal of Hydro-environment Research,  45: 39-52.

14.Javanmard, S. Yatagai, A. Nodzu, M. I. BodaghJamali, J. & Kawamoto, H. 2010. Comparing high-resolutiongridded precipitation data with satellite rainfall estimates of TRMM_3B42 over Iran. Advances in Geosciences. 25: 119- 125.

15.Kalteh, A. M. 2013. Monthly river flow forecasting using artificial neural network and support vector regression models coupled with wavelet transform, Computers & Geosciences, 54: 1-8.

16.Kalteh, A.M. 2015. Wavelet Genetic Algorithm-Support Vector Regression (Wavelet GA-SVR) for Monthly Flow Forecasting, Water Resources Management, 29 (4): 1283-1293.

17.Katiraie-Boroujerdy, P. S., Nasrollahi, N., Hsu, K. L., &Sorooshian, S. 2013. Evaluation of satellite-based precipitation estimation over Iran. Journal of Arid Environments, 97: 205-219.

18.Khazaee Poul, A. Shourian, M. & Ebrahimi, H. 2019. A Comparative Study of MLR, KNN, ANN and ANFIS Models with Wavelet Transform in Monthly Stream Flow Prediction, Water Resources Management, 33(8): 2907-2923.

19.Kisi O. &Partal, T. 2011. Wavelet and neuro-fuzzy conjunction model for streamflow forecasting, Hydrology Research, 42, (6): 447-456.

20.Latif, S. D. Ahmed, A. N.Sathiamurthy, E. Huang, Y. F. & El-Shafie, A. 2021. Evaluation of deep learning algorithm for inflow forecasting: a case study of Durian Tunggal Reservoir, Peninsular Malaysia, Natural Hazards, 109(1): 351-369.

.21Menhaj, M.B. 2021. Computational Intelligence (vol. 1), fundamental of neural networks, Amirkabir University of Technology (Tehran Polytechnic), Tehran [in Persian]

22.Moradizadeh, M., Alijanian M.A., Moeini, M.  2023. Spatial Downscaling of Snow Water Equivalent Using Machine Learning Methods Over the Zayandehroud River Basin, Iran, PFG – Journal of Photogrammetry, Remote Sensing and Geoinformation Science (In press).

23.Noorbeh, P. Roozbahani, A. & Kardan Moghaddam, H. 2020, Annual and Monthly Dam Inflow Prediction Using Bayesian Networks, Water Resources Management, 34(9): 2933-2951.

24.Partal T. and Kişi, Ö. 2007. Wavelet and neuro-fuzzy conjunction model for precipitation forecasting, Journal of Hydrology, 342(1): 199-212.

25.Pramanik N. & Panda, R. K. 2009. Application of neural network and adaptive neuro-fuzzy inference systems for river flow prediction, Hydrological Sciences Journal, 54(2): 247-260.

26.Ravansalar, M. Rajaee, T. & Kisi, O. 2017. Wavelet-linear genetic programming: A new approach for modeling monthly streamflow, Journal of Hydrology, 549: 461-549.

27.PishgahHadiyan, P., Moeini, R., Ehsanzadeh, E., &Karvanpour, M. 2022. Trend Analysis of Water Inflow Into the Dam Reservoirs under future Conditions Predicted By Dynamic NAR and NARX Models, Water Resources Management, 36(8), pp. 2703–2723.

28.Safavi, H. R., Darzi, F., and Mariño, M. A. 2010. Simulation-optimization modeling of conjunctive use of surface water and groundwater. Water Resource Management, 24(10), 1965–1988.

29.Smith T, Arkin P, Bates J, & Huffman J. 2006. Estimating Bias of Satellite-Based Precipitation Estimates. Journal of Hydrometeorology, 7 (5): 841-856.

30.Suriya, S. Saran, K. Anto, L. C. Anbalagan, C. & Vinodh, K. 2021. Inflow Forecasting of Bhavanisagar Reservoir Using Artificial Neural Network (ANN): A Case Study, In: Ramanagopal, S., Gali, M., Venkataraman, K. (eds) Sustainable Practices and Innovations in Civil Engineering. Lecture Notes in Civil Engineering,79: 119-131.

31.Tan, M. L., Ibrahim, A. L., Duan, Z., Cracknell, A. P., &Chaplot, V. 2015. Evaluation of Six High-Resolution Satellite and Ground-Based Precipitation Products over Malaysia. Remote Sensing. 7: 1504-152.