حسین امامی؛ علی سلاجقه؛ علیرضا مقدم نیا؛ شهرام خلیقی سیگارودی؛ ابوالحسن فتح آبادی
چکیده
بارش یکی از مهمترین ورودی‌ها در مدل‌سازی رواناب است. وجود داده‌های بارش با دقت زمانی و مکانی مناسب، برای حوزه‌های آبخیز با ایستگاه‌های بارانسنجی اندک و پراکنده، بسیار مهم و ضروری است. در حال حاضر ماهواره‌های اقلیمی از منابع مهم در برآورد بارش هستند. در این پژوهش، ابتدا کارایی داده‌های بارش ماهواره TRMM در سری ...
بیشتر
بارش یکی از مهمترین ورودی‌ها در مدل‌سازی رواناب است. وجود داده‌های بارش با دقت زمانی و مکانی مناسب، برای حوزه‌های آبخیز با ایستگاه‌های بارانسنجی اندک و پراکنده، بسیار مهم و ضروری است. در حال حاضر ماهواره‌های اقلیمی از منابع مهم در برآورد بارش هستند. در این پژوهش، ابتدا کارایی داده‌های بارش ماهواره TRMM در سری زمانی ماهانه حوزه آبخیز چهل‌چای با استفاده از شاخص‌های آماری R2، RMSE، NSE و Bias از طریق مقایسه با داده‌های بارش ایستگاه‌های بارانسنجی (مشاهده شده) مورد ارزیابی قرار گرفت که مقدار این شاخص‌های آماری به‌ترتیب 0.54، 22.70، 0.44 و 14.86- به‌دست آمد. با توجه به مقدار ضریب تبیین (R2)، می‌توان نتیجه گرفت که ماهواره TRMM توانسته 0.54 بارش مشاهده شده را برآورد کند. در گام بعدی به‌منظور برآورد رواناب ماهانه از سه مدل داده مبنا شامل MLP، ANFIS و SVR استفاده شد. دو نوع ترکیب ورودی به مدل‌های داده مبنا شامل: 1) داده‌های بارش مشاهده شده در گام‌های زمانی t و 1-t و رواناب در گام زمانی 1-t و 2) داده‌های بارش ماهوارهای در گام‌های زمانی t و 1-t و رواناب در گام زمانی 1-t انتخاب شد. برای مقایسه میزان دقت و خطای مدل‌ها از R2 و RMSE مرحله صحت‌سنجی استفاده شد که مدل ANFIS با مقدار R2 و RMSE به‌ترتیب برای ترکیب ورودی نوع اول 0.80 و 0.97 و همچنین، برای ترکیب ورودی نوع دوم 0.78 و 1.02 به‌عنوان مدل منفرد مناسب در منطقه مورد مطالعه برای برآورد رواناب انتخاب شد. از روش میانگین‌گیری وزنی در رویکرد ترکیب داده‌ها به‌منظور مدل‌سازی و ارائه یک مدل ترکیبی داده مبنا استفاده شد که این مدل ترکیبی داده مبنا باعث بهبود مقادیر0.81= R2 و 4.85- =Bias برای ترکیب ورودی نوع اول و همچنین، بهبود مقدار 0.79=R2 برای ترکیب ورودی نوع دوم شد و این روش ضعف مدل‌های منفرد را پوشش داده است.
ابوالحسن فتح‌آبادی؛ وحید آنامرادی
چکیده
در مدل‌های هیدرولوژیک به‌منظور مدل‌سازی بهتر فرایند بارش رواناب نیاز است تا مدل با استفاده از داده‌های مشاهداتی واسنجی شود. در فرایند واسنجی مدل‌های هیدرولوژیک، علاوه بر کیفیت داده‌های مشاهدات و الگوریتم بهینه‌سازی تابع هدف نیز بر کارایی مدل موثر است. در اغلب پژوهش‌ها، معیارهای آماری مثل NSE و RMSE به‌عنوان تابع هدف در فرایند ...
بیشتر
در مدل‌های هیدرولوژیک به‌منظور مدل‌سازی بهتر فرایند بارش رواناب نیاز است تا مدل با استفاده از داده‌های مشاهداتی واسنجی شود. در فرایند واسنجی مدل‌های هیدرولوژیک، علاوه بر کیفیت داده‌های مشاهدات و الگوریتم بهینه‌سازی تابع هدف نیز بر کارایی مدل موثر است. در اغلب پژوهش‌ها، معیارهای آماری مثل NSE و RMSE به‌عنوان تابع هدف در فرایند واسنجی مدل‌های هیدرولوژیک استفاده می‌شوند. با توجه به ساختار مدل و روابط مورد استفاده در هر یک از معیارهای ارزیابی، هر یک از آن‌ها در شبیه‌سازی بخشی از هیدروگراف کارایی مناسبی دارند. یکی از پارامترهای مهم هر حوضه که به نوعی نشان‌دهنده عکس‌العمل حوضه برای مقادیر دبی مختلف می‌باشد، منحنی تداوم جریان است. در این پژوهش، اقدام به بررسی و مقایسه کارایی توابع هدف مبتنی بر منحنی تداوم جریان و توابع هدف آماری در بهینه‌سازی پارامترهای مدل هیدرولوژیکی HBV در حوضه زیارت استان گلستان شد. پس از وارد کردن داده‌های ورودی به مدل، با استفاده از الگوریتم DDS مدل برای هر تابع هدف به تعداد 100 مرتبه بهینه شد. پس از بهینه‌سازی پارامترهای مدل، این پارامترها به مدل معرفی و مقادیر دبی برای دوره‌های واسنجی و اعتبارسنجی برآورد شد. نتایج نشان داد، معیارهایی مانند NSE و KGE در برآورد داده‌های پیک، معیارهایی از قبیل RMSE و MAE در برآورد داده‌های متوسط و معیارهای مبتنی بر منحنی تداوم جریان در برآورد دبی‌های کمینه عملکرد بهتری داشته‌اند. در شبیه‌سازی بخش‌های مختلف هیدروگراف دبی روازنه روش مبتنی بر منحنی تداوم جریان بهترین عملکرد را داشت، معیارهای RMSE و MAE در رتبه بعدی قرار داشته و معیارهای NSE و KGE عملکرد مناسبی نداشتند.
ابوالحسن فتح‌آبادی؛ مهناز کوهنشین؛ علی حشمت‌پور؛ معصومه فراستی
چکیده
در دهه‌های اخیر مدل‌های هیدرولوژیکی کاربرد گستردهای در شبیه‌سازی فرایند بارش رواناب یافته‌اند. این مدل‌ها دارای مقادیر پارامترهای ثابت هستند که نیاز است با روش مناسب، مقادیر آن‌ها بهینه شوند. در واقع، کارایی مدل‌های هیدرولوژیک علاوه بر ساختار آن‌ها به مقادیر بهینه پارامترهای آن‌ها بستگی دارند. ...
بیشتر
در دهه‌های اخیر مدل‌های هیدرولوژیکی کاربرد گستردهای در شبیه‌سازی فرایند بارش رواناب یافته‌اند. این مدل‌ها دارای مقادیر پارامترهای ثابت هستند که نیاز است با روش مناسب، مقادیر آن‌ها بهینه شوند. در واقع، کارایی مدل‌های هیدرولوژیک علاوه بر ساختار آن‌ها به مقادیر بهینه پارامترهای آن‌ها بستگی دارند. در این پژوهش، به بررسی کارایی سه روش بهینه‌سازی اتوماتیک شامل الگوریتم تکامل تصادفی جوامع، DDS و الگوریتم ژنتیک در بهینه‌سازی پارامترهای مدل یکپارچه HyMod در حوضه قورچای رامیان پرداخته شد. برای هر سه الگوریتم، سرعت رسیدن به هم‌گرایی و میزان تغییرات مقادیر بهینه شده مورد بررسی قرار گرفت. الگوریتم ژنتیک در تعداد اجرای کمتری به هم‌گرایی رسید و پس از آن، الگوریتم DDS در مرتبه بعدی قرار داشت. از نظر زمان اجرا به ازای هر تکرار، کمترین زمان مربوط به روش تکامل تصادفی جوامع و بیشترین زمان مربوط به روش الگوریتم ژنتیک بود. بیشترین نوسانات در جواب‌های بهینه شده مربوط به الگوریتم DDS و کمترین نیز مربوط به الگوریتم تکامل تصادفی جوامع بود که از این نظر، بهینه‌سازی با استفاده از روش تکامل تصادفی جوامع از ثبات بیشتری برخودار بود. با استفاده از تحلیل واریانس و مقایسه میانگینها مشاهده شد، در روش تکامل تصادفی جوامع با افزایش تعداد جوامع تا 12 جمعیت عملکرد مدل بهتر شد که از این تعداد بیشتر، عملکرد الگوریتم بهبود پیدا نکرد. برای پارامتر alpha با افزایش مقدار آن، عملکرد الگوریتم بدتر شد و بهترین عملکرد الگوریتم مربوط به مقدار برابر با 0.58 بود. بر عکس پارامتر alpha، با افزایش پارامتر beta عملکرد الگوریتم بهتر شد و بهترین عملکرد در مقدار beta برابر با یک به‌دست آمد. برای الگوریتم ژنتیک مقادیر بهینه تعداد کروموزوم‌ها، نرخ تزویج و نرخ جهش به‌ترتیب برابر با 16، 0.2 و 0.3 به‌دست آمد.
میثم صمدی؛ عبدالرضا بهره‌مند؛ ابوالحسن فتح‌آبادی
چکیده
در هر برنامه مدیریتی برای منابع آب، آگاهی از شرایط آینده به‌منظور تخصیص بهینه منابع آب به بخش‌های مختلف از قبیل شرب، کشاورزی و غیره لازم می‌باشد. آنچه در این میان مهم می‌باشد، پیش‌بینی مقادیر جریان ورودی به سیستم منابع آب در ماه‌های آینده است. در این راستا، استفاده از روش‌هایی که بتواند با کمینه خطا و با توجه به ...
بیشتر
در هر برنامه مدیریتی برای منابع آب، آگاهی از شرایط آینده به‌منظور تخصیص بهینه منابع آب به بخش‌های مختلف از قبیل شرب، کشاورزی و غیره لازم می‌باشد. آنچه در این میان مهم می‌باشد، پیش‌بینی مقادیر جریان ورودی به سیستم منابع آب در ماه‌های آینده است. در این راستا، استفاده از روش‌هایی که بتواند با کمینه خطا و با توجه به داده و اطلاعات موجود، جریان رودخانه را پیش‌بینی کند، از اهمیت فراوانی برخوردار می‌باشد. در پژوهش حاضر، مقادیر دبی ماهانه ورودی به سد بوستان برای آینده با استفاده از داده‌های هیدرومتری ایستگاه تمر و به‌کارگیری سه مدل سری زمانی، شبکه عصبی مصنوعی و ماشین بردار پشتیبان و همچنین، سه مدل ترکیبی پیش‌بینی شد. سپس، با استفاده از معیارهای ارزیابی اقدام به مقایسه عملکرد هر کدام از مدل‌ها شد. با توجه به نتایج به‌دست آمده در مدل، سری زمانی بر اساس کمینه بودن معیارهای آکاییک و شوارتز، مدل (1,0,1) ARIMA (2,0,0) به‌عنوان مدل برتر انتخاب شد. در مدل شبکه عصبی، شبکه با ورودی 2 و 4 نرون و در مدل SVM شبکه با ورودی 3، به‌عنوان شبکه برتر انتخاب شدند. در نهایت، با توجه به نتایج به‌دست آمده از معیارهای ارزیابی، مدل سری زمانی بهترین عملکرد را داشته است که مقادیر معیارهای میانگین مربعات خطا، متوسط مقادیر مطلق خطای نسبی، میانگین مطلق خطا و نش-ساتکلیف برای این مدل به‌ترتیب برابر با 0.88، 4.71، 0.024- و 0.36 به‌دست آمد. در نتیجه، مدل سری زمانی به‌عنوان بهترین مدل برای پیش‌بینی دبی ماهانه در این ایستگاه معرفی شد.
