تعداد نشریات | 30 |
تعداد شمارهها | 956 |
تعداد مقالات | 8,322 |
تعداد مشاهده مقاله | 8,750,120 |
تعداد دریافت فایل اصل مقاله | 6,920,073 |
پیش بینی سناریوهای احتمالاتی ماهانه جریان رودخانه با رویکرد ESP (مطالعه موردی: رودخانه هلیل رود) | ||
علوم و مهندسی آبیاری | ||
مقاله 6، دوره 41، شماره 3، آبان 1397، صفحه 75-87 اصل مقاله (1.1 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22055/jise.2018.13749 | ||
نویسنده | ||
صدیقه انوری* | ||
استادیار گروه اکولوژی، پژوهشکده علوم محیطی، پژوهشگاه علوم و تکنولوژی پیشرفته و علوم محیطی، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته | ||
چکیده | ||
پیشبینی جریان ورودی به مخزن سد، ابزاری اساسی در مدیریت بهینه منابع آب محسوب میشود. ضرورت ارتقاء دقت و بازه زمانی پیشبینی جریان، برای بخش کشاورزی که بزرگترین مصرفکننده آب محسوب میشود، بارزتر میباشد. در این راستا استفاده از رویکردهای احتمالاتی برای پیشبینیهای بلندمدت جریان و احتساب عدم قطعیت پیشبینی، توصیه شده است. هدف تحقیق حاضر ارائه مدلی برای پیشبینی احتمالاتی جریان ورودی به مخزن سد جیرفت میباشد. در این راستا با استفاده از رویکرد پیشبینیهای گروهی جریان (ESP) و نیز بهکارگیری مدلهای شبکه عصبی مصنوعی (ANNs)، سناریوهای احتمالاتی جریان یک تا دوازده ماه آینده رودخانه هلیل پیشبینی گردید. بدین منظور با استفاده از دادههای هواشناسی و هیدرولوژیکی حوضه رودخانه هلیلرود، پیشبینیهای تجمعی جریان با مدلهای ANN صورت گرفت و در ادامه از این پیشبینیها برای ساخت سناریوهای احتمالاتی جریان با رویکرد ESP مصنوعی استفاده شد. نتایج نشان داد، با افزایش بازه زمانی پیشبینی، از مقیاس ماهانه تا سالانه، دقت نتایج، مقداری کاهش مییابد. همچنین از ترکیب مدلهای ANN با رویکرد ESP مصنوعی، میتوان سناریوهای احتمالاتی جریان را بخوبی پیشبینی نمود. | ||
کلیدواژهها | ||
پیش بینی جریان؛ ANN؛ ESP؛ رودخانه هلیل رود | ||
مراجع | ||
1- Alcázar, J., Palau, A. and Vega-Garcı, C., 2008. A neural net model for environmental flow estimation at the Ebro River Basin, Spain. Journal of hydrology, 349(1-2), pp.44-55.
2- Aqil, M., Kita, I., Yano, A. and Nishiyama, S., 2006. Analysis and prediction of flow from local source in a river basin using a Neuro-fuzzy modeling tool. Journal of Environmental Management, 10, pp.1-9.
3- ASCE Task Committee on Application of Artificial Neural Networks in Hydroloy, 2000. Artificial neural networks in hydrology, I: preliminary concepts. Journal of Hydrologic Engineering, 5(2), pp. 115-123.
4- Besaw, L.E., Rizzo, D.M., Bierman, P.R. and Hackett, W.R., 2010. Advances in ungauged streamflow prediction using artificial neural networks. Journal of Hydrology, 386(1-4), pp.27–37.
5- Chow, V.T., Maidment, D.R. and Larry W., 1981. Applied Hydrology.
6- Dawson, C.W., Abrahart, R.J., Shamseldin, A.Y. and Wibly, R.L., 2006. Flood estimation at ungauged sites using artificial neural networks. Journal of Hydrology, 319, pp.391-409.
7- Day, G.N., 1985. Extended streamflow forecasting using NWSRFS. Journal of Water Resources Planning and Management, 111(2), pp.157-170.
8- Demirel, M.C., Venancio, A. and Kahya, E., 2009. Flow forecast by SWAT model and ANN in Pracana basin, Portugal. Advances in Engineering Software, 40(7), pp.467-473.
9- Eum, H., Kim, Y.O. and Palmer, R., 2011. Optimal drought management using sampling stochastic dynamic programming with a hedging rule. Journal of Water Resources Planning and Management. 137(1), pp.113-122.
10- Faber, B.A. and Stedinger, J.R., 2001. Reservoir optimization using sampling SDP with ensemble steamflow prediction (ESP) forecasts. Journal of Hydrology, 249, pp.113-133.
11- http://news.moe.gov.ir/News/Details.aspx?ANWID = 11722
12- Karamooz, M. and Araghinezhad, SH., 2005. Advanced hydrology, Amirkabir University of Technology Press, Tehran, 465p, (In Persian).
13- Kim, Y.O., Eum, H., Lee E.G. and Ko, I.H., 2007. Optimizing operational policies of a korean multireservoir system using sampling stochastic dynamic programming with ensemble streamflow prediction. Journal of Water Resources Planning and Management, 133(1), pp.4-14.
14- Kisi, O., 2005. Daily river flow forecasting using artificial neural networks and auto-regressive models. Turkish Journal of Engeering and Environmental Science, 29, pp.9-20.
15- Nayaka, P.C., Sudheerb, K.P., Ranganc, D.M. and Ramasastri, K.S., 2004. A neuro- fuzzy computing technique for modeling hydrological time series. Journal of Hydrology, 291, pp.52–66.
16- Saghafian, B., Anvari, S. and Morid, S., 2013. Effect of SOI and spatial climatic data on ANN, ANFIS and K-NN models in the stream flow forecasts. Expert Systems Journal, 30(4), pp.367–380.
17- Sedki, A., Ouazar, D. and El Mazoudi, E., 2009. Evolving neural network using real coded genetic algorithm for daily rainfall–runoff forecasting. Expert Systems with Applications, 36(3), pp.4523-4527.
18- Shiri, J. and Kisi, O., 2010. Short-term and long-term streamflow forecasting using a wavelet and neuro-fuzzy conjunction model. Journal of Hydrology, 394(3-4), pp.486-493.
19- Wang, W., Van Gelderp, H.A.J.M., Vrijling, J.K. and Ma, J., 2006. Forecasting daily streamflow using hybrid ANN models. Journal of Hydrology, 324, pp.383–399.
20- Zounemat Kermani, M. and Teshnehlab, M., 2007. Using adaptive neuro-fuzzy inference system for hydrological time series prediction. Applied Soft Computing, Available online at www.Sciencedirect.com. | ||
آمار تعداد مشاهده مقاله: 467 تعداد دریافت فایل اصل مقاله: 552 |