پیش یابی جریان ماهانه ورودی به سد طرق واقع دراستان خراسان شمالی با استفاده از ترکیب مدل ذوب برف SWEG و مدل پیش یابی جریان رودخانهSSP

محورهای موضوعی : مدیریت محیط زیست

احمد شرافتی ¹ , باقر ذهبیون ² , احمد ابریشم چی ³

1 - دکتری عمران- مهندسی آب، دانشگاه علم و صنعت *(مسئول مکاتبات)
2 - استادیار دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران
3 - استاد دانشکده مهندسی عمران، دانشگاه صنعتی شریف، تهران

تاریخ دریافت : 1388/02/25 تاریخ پذیرش : 1388/09/02 تاریخ انتشار : 1393/03/01

کلید واژه: آورد رودخانه, رگرسیون, الگوریتم ژنتیک, مدلSWEG, مدل,

چکیده مقاله :

پیش یابی (forecast) میزان حجم آورد ماهانه رودخانه، یکی از متغیرهای موثر در بهره برداری از مخازن سدها و بهینه سازی منحنی فرمان نیروگاه های برق آبی به شمار می رود. از این رو تهیه مدلی با دقت بالا جهت پیش یابی آورد ماهانه رودخانه ضرورت دارد. استفاده از مدل های رگرسیون چند متغیره یکی از روش های معمول در این مورد به حساب می آید. از ضعف های مدل های رگرسیونی چند متغیره خطی، حساس بودن ضرایب متغیرهای مستقل (predictors) و نسبت طول دوره آماری به تعداد متغیر های مذکور می باشد. بر اساس تحقیقات پیشین نشان داده شده که در صورت وجود همبستگی معنی دار میان متغیر های مستقل، ضرایب آن ها غلط برآورد شده و بعضاً علامت ضریب بعضی از این متغیرها مخالف علامت ضریب همبستگی بین همان متغیر و متغیر وابسته می گردد. بدین ترتیب، جهت کاهش متغیرهای مستقل اولیه به منظور افزایش نسبت طول دوره آماری به تعداد این متغیر های مستقل و حذف همبستگی درونی میان آنان اقدام به تهیه مدل SSP گردید. از دیگر برتری های مدلSSP، استفاده از یک جستجوگر قوی جهت انتخاب متغیرهای مستقل اولیه و انتخاب مولفه های موثر در پیش یابی آورد ماهانه رودخانه می باشد. یکی از مشکلات موجود در بهره گیری از مدل های پیش یابی در حوضه های برف خیز، کمبود و یا نبود داده های آب معادل برف است. آب معادل برف یکی از ورودی های اساسی در پیش یابی آورد آب بهاره و تابستانه در مدل های پیش یابی حوضه های برف خیز بشمار می رود. به دلیل محدود بودن تعداد اندازه گیری ها به یک یا دو بار در سال، ضرورت تهیه مدلی که آب معادل برف را بر اساس سایر اطلاعات جوی و زمینی شبیه سازی نماید، محسوس می باشد. در این مقاله مدل SWEG که جهت برآورد آب معادل برف به طور روزانه تهیه شده معرفی می گردد. با استفاده از الگوریتم ژنتیک جهت واسنجی پارامترهای این مدل سعی شده است کاربرد ترکیب آن با مدل SSP بر روی حوضه آبریز بالا دست سد طرق به منظور پیش یابی آورد ورودی به سد مورد آزمایش قرار گیرد. نتایج حاصل از جذر مربع میانگین خطا(RMSE) و ضریب همبستگی میان مقادیر مشاهداتی و پیش یابی شده نشان دهنده دقت قابل قبول ترکیب این دو مدل در پیش یابی آورد رودخانه می باشد.

چکیده انگلیسی:

Abstract Stream flow forecasting is one the effective mean for reservoir operation and hydropower rule curve optimizing. Using multivariable liner regression model is one of the conventional approaches for stream flow forecasting. High sensitivity of regression model to independency of independent variable (predictors) and ratio of statistical period to the number of predictors are challengeable problems for these models. Inter-correlation between predictors causes wrong estimation of predictor. At this paper for reduction of predictors for increase ratio of statistical period to the number of predictors and elimination of Inter-correlation between predictors, SSP model was prepared. SSP model use a strong searching algorithm to select effective initial predictors and principal component for seasonal and monthly forecasting. Deficiency of snow data such as snow water equivalent (SWE) is a problem of spring and summer stream-flow forecasting in cold catchment. SWE is measured twice a year in IRAN. There for, it is a prepared physical model SWEG to simulate daily SWE according other parameter such as precipitation, temperature, wind velocity and etc. it is used of Genetic algorithm to calibrate parameters of SWEG. In this paper output of SWEG is used as one variable of input variables of SSP for monthly stream-flow of TOROGH dam forecasting. The result of (RMSE) and coefficient of correlation shown that combination of these two models have enough accuracy for monthly stream-flow forecasting.

منابع و مأخذ:

منابع

1. Hamlet, A. F., and Lettenmaier, D. P. (1999a). "Columbia River streamflow forecasting based on ENSO and PDO climate signals," J. Water Resour. Plan. Manage., 125(6), 333–341.


2. Barton, M., and Burke, M. (1977). "SNOTEL: An operational data acquisition system using meteor burst technology." Proc, Western Snow Conference, 82-87.


3. Rallison, R. E. (1981). "Automated system for collecting snow and related hydrological data in mountains of the western United States." Hydrological Sci. Bulletin, 26(1), 83-89.


4. Koch, R. W. (1990). "Influences of climate variability on streamflow variability:Implications in streamflow prediction and forecasting." Final report for grant award 14-08-0001-G1316, U. S.Geological Survey, Washington,D.C.


5. Stedinger, J. R., Grygier, J., and Yin, H. (1988). "Seasonal streamflow forecasts based upon regression." Computerized decision support systems for water managers; Proc. 3rd Water Resour. Operations and Mgmt. Workshop, ASCE, New York, N.Y., 266-279.


6. Kleinbaum, D. G., Kupper, L. L., and Muller, K. E. (1988). Applied regression analysis and other multivariable methods, 2nd Ed., PWS-KENT Publishing Co., Boston, Mass.


7. McCuen, R. H. (1985). Statistical methods for engineers. Prentice-Hall, Englewood Cliffs, N.J.


8. Garen, D.C, (1992)“Improved Techniques in Regression-Based Streamflow Volume Forecasting” Water Resources Planning and Management, vol.118,No.6,-pp.654-67,November


9. Colee, M.T, (2000).” A High-Resolution Distributed Snowmelt Model in an Alpine Catchment”, Ph.D. Thesis, UNIVERSITY OF CALIFORNIA Santa Barbara.


10. Romanov, P., Carroll, T.,(2004).” Monitoring of Snow Depth over Great Plains Using Visible and Infrared Observations from Polar Orbiting and Geostationary Satellites”, NOAA Climate and Global Change Program., Progress report 2004.


11. U.S.Army Corps of Engineers., (1998),”Engineering and Design RUNOFF FROM SNOWMELT”, Manual ,NO 1110-2-1406.


12. D.M.GRAY., (1970).” HANDBOOK ON THE PRINCIPLES OF HYDROLOGY”, 1rd ed., National Research Council of Canada.


13. اوسط زینالو،ع.(1382)."برآورد منحنی تداوم جریان از حوزه های بدون آمار هیدرومتری"، کنفرانس ملی نیروگاه های آبی کشور،ایران، ص: 846-837


14. شرافتی، ا.(1384)." مدل رگرسیونی پیش یابی آورد رودخانه با تحلیل مولفه اصلی"، پایان نامه کارشناسی ارشد، دانشگاه صنعتی شریف