محمد غلامپور؛ عبدالحلیم غزالی؛ احمد رودزی؛ شهاب عراقی‌نژاد
چکیده
در مناطق خشک همانند سطح عظیمی از ایران، انسان همواره با کمبود آب مواجه بوده و هست. جمع‌آوری آب به‌ویژه در بهره‌برداری صحیح از آب‌های موجود در مناطق خشک، می‌تواند موثر باشد. تنوع اقلیم در ایران با وجود میانگین بارندگی کمتر از یک سوم جهانی، بالا است، حتی در مناطق جنوبی کشور و در مقیاس کوچک، از جمله میناب و محل سد احداثی استقلال هم، ...
بیشتر
در مناطق خشک همانند سطح عظیمی از ایران، انسان همواره با کمبود آب مواجه بوده و هست. جمع‌آوری آب به‌ویژه در بهره‌برداری صحیح از آب‌های موجود در مناطق خشک، می‌تواند موثر باشد. تنوع اقلیم در ایران با وجود میانگین بارندگی کمتر از یک سوم جهانی، بالا است، حتی در مناطق جنوبی کشور و در مقیاس کوچک، از جمله میناب و محل سد احداثی استقلال هم، که بارندگی به یک سوم میانگین کشوری می‌رسد، این تنوع اقلیمی به خوبی مشاهده می‌شود. در شرایط کنونی، روند بارندگی‌ها در میناب نیز تغییر کرده، طول دوره خشکسالی‌ها افزایش یافته است. سامانه‌های بهره‌برداری استاندارد طراحی شده قبلی برای برآورد آب ورودی به مخازن سدها همانند سد استقلال میناب، پاسخگوی مصارف نیست. لذا، استفاده از روش‌های جدید در افزایش دقت و همچنین، پیش‌بینی رواناب حوضه رودخانه میناب امری کاملا ضروری به نظر می‌رسد. برای رسیدن به این هدف، استفاده از مدل‌های فیزیکی و عددی در برآورد و پیش‌بینی دقیق‌تر از اهمیت خاصی برخوردار است. در این تحقیق، از دو مدل SWAT و هوش مصنوعی FTDNN برای برآورد و پیش‌بینی رواناب استفاده شده است. واسنجی، اعتبارسنجی و پیش‌بینی رواناب با استفاده از لایه‌های خاک، کاربری اراضی، توپوگرافی و داده‌های هیدروکلیماتولوژی در مقیاس سالانه و ماهانه انجام شد. مقادیر معیارهای ارزیابی همچون میانگین مربعات خطا (RMSE)، میانگین خطای مطلق (MAE) برای دو مدل در مرحله واسنجی در دوره سالانه برای مدل SWATبه‌ترتیب برابر با 6.89 و 8.37 و در FTDNN برابر با 5.35 و 7.76 برآورد شدند. ضریب خطی رگرسیون R2 در مرحله واسنجی در مقیاس ماهانه به‌ترتیب معادل 0.96 و 0.89 برای SWAT و این شاخص در مقیاس سالانه معادل 0.89 و 0.49 برای FTDNN است. ضریب خطی رگرسیون در مرحله اعتبارسنجی دو روش مذکور به‌ترتیب در مقیاس ماهانه 0.98 و 0.6 و در مقیاس سالانه 0.94 و 0.97 در دو مدل را نشان می‌دهد. نتایج حاصل از مقایسه معیارهای ارزیابی دو مدل حاکی از آن است که مدل هوش مصنوعی FTDNN از دقت و کارایی بیشتری نسب به مدل SWAT برخوردار است.
