ارزیابی مدل‌های پیش‌بینی جریان رودخانه

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه صنعتی خواجه نصیرالدین طوسی- تهران

2 دانشکده عمران دانشگاه صنعتی خواجه نصیرالدین طوسی- تهران- ایران

چکیده

برف نقش مهمی در میزان و توزیع جریان رودخانه در مناطق کوهستانی دارد. بنابراین، ارزیابی مدل‌های پیش‌بینی جریان که شاخصی از برف را در ساختار خود استفاده می‌کنند ضروری است. در این مطالعه مجموعه‌ای از مدل‌های پیش­بینی جریان که از دهه­های گذشته در سطح جهان مطرح بوده است،  تهیه و بررسی شده است. این بررسی روش­های سنتی ساده با داده­های محدود تا روابط پیچیده و هوشمند نظیر شبکه عصبی مصنوعی و استفاده از داده­ها و ابزار سنجش از دور وGIS را در بر می­گیرد. در استفاده از داده‌های سنجش از دور برای تشخیص سطح پوشش برفی، از تصاویر ماهواره NOAA و روش تشخیص آستانه­ای استفاده شده است. با توجه به اهمیت تست مدل‌ها، روشی متفاوت و کامل برای این منظور در نظر گرفته شده و مقایسه­ای میان روش­های  مختلف در حوزه دز صورت گرفته است. سپس، نقش بارش­های بهاری و استفاده همزمان از آن‌ها در پیش­بینی جریان در همان دوره بررسی شده است.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of Riverflow Forecasting Models

نویسندگان [English]

  • Mojgan Bagheri 1
  • Ali reza Borhani 2
چکیده [English]

Snowfall has an important role in the amount and distribution of river flows in mountainous basins. Therefore, it is crucial to assess the application of river flow forecasting models that employ an index of snow in their structure. In this paper, a range of forecasting models that have been in use since decades ago are presented and compared with the more recently developed ones. These include some conventional models based on simple statistical methods and models that use more sophisticated methods such as Artificial Neural Networks (ANN) and Geographic Information Systems (GIS) with remotely sensed snow covered area (SCA) data obtained through NOAA satellites. Moreover, it is shown that the use of test periods is important in reaching realistic conclusions about the models. In addition, a testing method is presented that through an iterative process, evaluates the whole period of available data. Data from the Dez Basin in Iran is used to carry out the calculations. Furthermore, the role of spring rainfalls and their simultaneous implication in the forecasting models is investigated.

کلیدواژه‌ها [English]

  • : FLOW FORECASTING
  • SNOW COVERED AREA
  • REMOTELY SENSED DATA
  • Artificial Neural Networks
  • DEZ BASIN
 منهاج، م. 1386. مبانی شبکه های عصبی. دانشگاه صنعتی امیر کبیر، جلد اول.
2. طوسی، م. 1382. بررسی سیمای یخچال­های طبیعی با استفاده از فناوری سنجش از دور ماهواره­ای. پایان نامه کارشناسی ارشد، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران،
3. برهانی، ع.، ج. ضاهرپور و ا. فاتحی مرج. 1383. مدل‌های برفابی پیش بینی جریان حوزه آبریز به کمک سنجش از دور و سیستم اطلاعات جغرافیایی. مجله بین‌المللی علوم و مهندسی، شماره2، جلد 15،  ص 225-243.
4. رضایی، ی. و م.ر. مباشری. 1385. آشکار سازی ابرهای استراتوس در سنجندهMSG-1.  نشریه دانشکده فنی، شماره 8 ، جلد40 ، 1107-1119.
5. Freeman, G.J. 1999. Run off forecast error uncertainty and some of the ways it can effect snowmelt water scheduling decisions in the sierra. Processing of  the Western Snow Conference, pp:45-5.
6. Garen, D.C. 1992. Improved Techniques in Regression-Based Streamflow Volume forecasting. water resources planning and management, 118(6):654-670.
7. Grygier, J.Stedinger, J.R., H. Yin and G. Freeman. 1993. Disaggregating Models of Seasonal Streamflow Forecast.50th Eastern Snow Conference, Quebec City.
8. Karunanithi, N., W.J. Greeny., D. Whiteley and  Bovee, 1994. Neural Network for River Flow Prediction. computing in civil engineering, 8(2):201-219.
9. McCuen, R., W. Rawls, and B. Whaley. 1979. Comparative evaluation of statistical methods for water supply forecasting. Water Resources Bulletin, AWRA, 15(4):935-946.
10. Moradkhani, H., K. Hsu, and S. Sorooshian. 2004.Improved streamflow forecasting using self organizing radial basis function artificial neural network. Hydrology, 295:246-262.
11. Romanov, p., G. Utman and I. Csiszer. 2002. Satellite-derived snow cover for North America: accuracy assessment Advances in Space Research, 30(11):2455-2460.
12. Stedinger, J.R., J. Grygier and H. Yin. 1988. Seasonal stream flow forecasting based on regression. Proc. 3rd Water Resources Operations Management Workshop: Computerized Decision Support Systems for Water Managers, CSU, Fort Collins, CO, J. W. Labadie, L.E. Brazil, I. Cuba, and L.E. Johnson, (eds.),  ASCE, New York, pp:266-279.
13. Tappiner, U., G. Tappiner, J. Aschenwald, E. Tasser and B. Ostendorf. 2001. GIS based modeling of spatial pattern of snow cover duration in an alpine area.  Ecological modeling, 138:265-275.
 14. USACE, 2007. Water Balance and Regulation Alternative Analysis for Kajakai Reservoir Using HEC-ResSim- Phase 1 and 2. final report, PR-63, pp. 57.
 15.Zuzle, J. and L. Cox. 1978. Review of operational water supply forecasting techniques in areas with seasonal snow cover. Western Snow Conference, 69-77.