بخشی از مقاله
چکیده
مدلسازی بارش رواناب اولین گام در راستای مدیریت منابع آب و مقابله با اثرات سوء آن است. این فرایند در حوضههای شهری که رفتار رواناب دارای دینامیک غیرخطی شدیدی است، ضرورت دارد. در این مطالعه، برای مدلسازی بارش رواناب رودخانه خرم آباد که حوضه آبخیز آن هم از ماهیت کوهستانی و هم از کاربری شهری برخوردار بوده از شبکه عصبی مصنوعی استفاده گردید.
آزمون حافظه سیگنال سری زمانی رواناب به مقدار 0/8 بهدست آمد که این مقدار نشان از حافظه بلندمدت و دینامیک غیرخطی سیگنال رواناب رودخانه زیربط داشت. در ادامه، مدل بارش رواناب تولید شد که ارزیابی میزان دقت و کارائی آنها با استفاده از معیار نش ساتکلیف، ضریب تعیین، جذر میانگین مربعات خطا و توزیع زمانی خطا مورد بررسی قرار گرفت .
نتایج حاکی از آن بود که کارایی و ضریب دقت مدل دارای عملکرد ضعیفی است. زیرا برحسب معیار نش ساتکلیف، مدل توانسته تنها در حدود 20 درصد، رواناب را بهدرستی شبیهسازی کند و در حدود 80 درصد پیشبینی رواناب توأم با خطا بوده است.
مقدمه
هرگاه بارش به وقوع پیوسته برروی یک حوضه آبریز بیش از ظرفیت نفوذ خاک باشد، بخشی از آب حاصله از بارش به صورت رواناب بر روی سطح حوضه جاری میشود. یکی از مهمترین محاسبات هیدرولوژیکی برای یک حوضه، تعیین ارتباط بین بارش رواناب در آن حوضه بوده؛ مقدار تبدیل بارش به رواناب، منوط به پارامترهای اقلیمی و فیزیکی حوضه است
به عبارتی رواناب، برآیند اندرکنش بین پارامترهای اقلیمی و خصوصیات فیریکی حوضه در فرایند شار ماده و انرژی بین این دو بخش از چرخه هیدرولوژی است
از سویی، خصوصیات هر دو قلمروی یاد شده در طی زمان برحسب عوامل طبیعی و انسانی دچار نوسان یا تغییر شدهاند. بدینترتیب که با توسعه شهرها و کارکردهای وابسته به آنها، بسیاری از خصوصیات پایدار حوضههایآبخیز، ناپایدار شده و متعاقباً به تعادل جدیدی که متناسب با حالت اولیه حوضه نیست، دست پیدا کردهاند. بهعنوان نمونه حوضههای که قبلاً در حیطه حوضههای با کاربری کشاورزی، باغداری، و .. شناخته میشدند اینک به صورت حوضههای با کاربری شهری تغییر یافتهاند.
این تغییر، مبین تغییرات بسیاری از خصوصیات فیزیکی و اقلیمی حوضه از جمله شیب، نفوذپذیری، پوشش گیاهی، دما، نوع بارش، تبخیر تعرق و...است. بنابراین بهنظر میرسد که الگوی رواناب یا جریان رودخانهای از یک دینامیک پیچیده غیرخطی تبعیت میکند که پیشبینی آن به منظور طراحی و برنامهریزی منابع آب ضرورت دارد بهطوریکه پیشبینی دقیق رواناب، مؤلفه مهمی در برنامهریزیهای حوضه و مدیریت حفظ منابع آب است
چنین پیشبینی از جریان رودخانه از یک سو هشدارهای لازم در مورد رخداد سیل فراهم کرده و از سوی دیگر به تنظیم جریان خروجی منابع آب در زمانیکه تراز جریان رودخانه پایین است به مدیریت منابع آب کمک میکند
عبداللهی اسدآبادی و همکاران - 1393 - به منظور ارائه مدل پیشبینی رواناب روزانه رودخانه حوضه آبخیز
بهشتآباد براساس افقهای 1، 2، 3 و 7 روز تأخیر زمانی، از سه روش موجک متقاطع، شبکه عصبی مصنوعی و موجک شبکه عصبی مصنوعی استفاده کردند. مقایسه نتایج مترتب بر عملکرد این سه روش حاکی از دقت مدل ترکیبی موجکی عصبی در قیاس با دو مدل دیگر بود. همچنین دقت مدل موجک متقاطع تنها در تأخیر زمانی 1 روز، بهتر از مدل شبکه عصبی بود.
منتصری و زمانزاد قویدل - 1393 - در بررسی جریان رودخانه خرخرهچای حوضه آبخیز زرینهرود، مدلهای خروجی حاصل از اجرای دو روش هوشمند فازی شبکه عصبی مصنوعی و برنامهریزی بیان ژن 5را مورد ارزیابی قرار دادند. مقایسه نتایج برایند این دو روش حاکی از دقت بیشتر مدل برنامهریزی بیان ژن در مقایسه با مدل فازی عصبی بود.
کناس6و همکاران - 2005 - با تجزیه سیگنال سری زمانی رواناب حوضه تیرسو - واقع در ساردینا، ایتالیا - با استفاده از تبدیلات موجک پیوسته و گسسته به منظور پیش پردازشاین سیگنال جهت ورود به مدل سازی شبکه عصبی مصنوعی نتیجه گرفتند که تجزیه با استفاده از موجک گسسته، رفتار هیدرولوژیکی جریان رودخانه را دقیقتر پیشبینی میکند.
پرامیناک و پاندا - 2009 - 7 با اتخاذ 5 الگو با زمانهای تأخیر متفاوت از رودخانه ماهندی در هندوستان بهعنوان ورودی روشهای شبکه عصبی و نروفازی - ANFIS - دریافتند که رواناب شبیهسازیشده توسط مدل نروفازی دارای تطابق بهتری با رواناب مشاهداتی نسبت به مورد شبکه عصبی است.
وئو و چائو - 2010 - 8 با مدلسازی جریان ماهانه چندین رودخانه در کشور چین نشان دادند که روش K-NN در پیشبینی جریان رودخانه از کارایی مناسبتتری نسبت به روش آریما و شبکه عصبی برخوردار است.
سودهیشری9و همکاران - 2016 - با اتحاذ سه مدل بنام مدل دینامیک غیرخطی، شبکه عصبی مصنوعی و مدل ترکیبی موجک شبکه عصبی مصنوعی به ایجاد مدل پیشبینی رواناب و تولید رسوب با استفاده از دادههای روزانه بارش، رواناب و مقدار رسوب در حوضه بینو - ایالت اتارخند در هندوستان - پرداختند.
نتایج این مطالعه نشان داد که با اتخاذ دو ورودی بارش رواناب، مدلهای شبکه عصبی و موجک شبکه عصبی در مقایسه با مدل دینامیک غیرخطی ساده دقیقتر هستند در حالیکه استفاده از دادههای ورودی بارش رواناب رسوب منجر به مدلهای با ضریب دقت بیشتری توسط مدل دینامیک غیرخطی ساده نسبت به دو روش مذکور شد.
بنابراین، مطالعه حاضر با هدف بررسی رفتار و چگونگی عملکرد جریان رودخانه خرم آباد و پیش بینی سری
زمانی روزانه آن با احتساب روشهای پیشرفته ریاضیاتی و هوش مصنوعی انجام میگیرد.
دادهها و روشها
این مطالعه بر ارائه مدل بارش رواناب رودخانه خرمآباد که بهعنوان یکی از مهمترین آبشخورهای رودخانه کشکان به شمار میرود استوار است. بنابراین جهت رهیافت به این مطالعه، از دادههای بایگانی شده بارش ایستگاه خرم آباد و رواناب ایستگاه دبیسنجی چمانجیر - واقع در پایاب رودخانه - با پوشش زمانی 1393-1370 در مقیاس روزانه استفاده شد.
اساس بسیاری از تصمیمگیریها در فرایندهای هیدرولوژیکی و تصمیمات بهرهبرداری از منابع آب مبتنی بر
پیشبینی و تحلیل سری زمانی است. از سویی در فرایند مدلسازی و پیش بینی، بررسی این مورد که آیا سری زمانی دارای حافظه بلندمدت است، ضرورت دارد. زیرا یک سری زمانی در صورتی از قابلیت پیش بینی، برخوردار
است که دارای حافظه بلندمدت باشد.
این تفکر مبتنی بر آن است که آیا در سری زمانی در دسترس، تمامی پدیدههای حدی قابل انتظار رخ دادهاند
در سریهای زمانی هیدرولوژیکی - مثل رواناب - حافظه بلندمدت موجب وابستگی مقدار رواناب با مقادیر قبلی در گذشته شده که این نشاندهنده وجود پارامتری قابل پیشبینی در سری زمانی است.
بدینترتیب، چون سری زمانی بارش و رواناب هم معیار نیستند و همچنین جهت بهبود آهنگ یادگیری تابع فعالسازی آموزش در شبکه عصبی، نخست با استفاده از تابع لوجستیک - رابطه - 1، سری زمانی بارش و رواناب هممعیار و در بازه عملکرد تابع فعالسازی سیگمویید قرار گرفتند.
لازم به ذکر است که شبکه عصبی پرسپترون یکی از معروفترین شبکههای عصبی است که در مدل چندلایه
- MLP - دارای 3 لایه شامل یک لایه ورودی، یک لایه پنهان و یک لایه خروجی بوده که لایه پنهان خود میتواند بیش از یک لایه باشد و همچنین تعداد نورونهای موجود در هر لایه متفاوت بوده و بر اساس ماهیت مسئله موردبررسی با سعی و خطا تعیین میشود - منهاج، - 2002؛ بنابراین، از مدل شبکه عصبی چندلایه با روش پس انتشارِ خطا - BP - با الگوریتم لونبرگ مارکوئت و تابع محرک تان سیگمویید، مدلسازی بارش رواناب رودخانه خرم آباد انجام گرفت.
