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)

محورهای موضوعی : برگرفته از پایان نامه

رامتین معینی ¹ , محمدعلی علیجانیان ² , مینا مرادی زاده ³

1 - دانشیار گروه مهندسی عمران، دانشکده مهندسی عمران حمل و نقل، دانشگاه اصفهان، اصفهان، ایران
2 - استادیار گروه مهندسی عمران، دانشکده مهندسی عمران حمل و نقل، دانشگاه اصفهان، اصفهان، ایران
3 - استادیار گروه مهندسی نقشه برداری، دانشکده مهندسی عمران حمل و نقل، دانشگاه اصفهان، اصفهان، ایران

تاریخ دریافت : 1403/09/26 تاریخ پذیرش : 1403/11/01 تاریخ انتشار : 1404/02/15

کلید واژه: شبکه عصبی مصنوعی, بارندگی, آب معادل برف, داده های ماهواره محور, سد زاینده رود,

چکیده مقاله :

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.

یافته­ ها: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.

نتیجه ­گیری: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.

چکیده انگلیسی:

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.