بخشی از مقاله
چکیده
تهیه مدلهای پیشبینی جریان رودخانه یکی از مهمترین مسائل در برنامهریزی و مدیریت منابع آب میباشد. روشهای مرسوم گذشته در این زمینه، عمدتاً در قالب مدلهای قطعی و اتفاقی بودهاند. ایجاد مدل پیشبینی جریان بر اساس روشهای قبلی معمولاً زمان زیادی نیاز دارد، به طوری که درمورد مدلهای تجربی، با افزایش آمار و اطلاعات، لازم است کلیه معادلات را مجدداً ارزیابی و اصلاح نمود،امّا در روشهای اخیر نیاز به تغییرات گسترده نیست.
از جمله روشهایی که امروزه در کنار روش-های کلاسیک مطرح شده، استفاده از شبکههای هوشمند جهت پیشبینی جریان، استفاده شده است، در پژوهش حاضر با بهرهگیری از دادههای مشاهدهای، کاربرد مدل عصبی _ فازی تطبیقی و برخی از مدلهای تجربی در برآورد رواناب بررسی شد. پارامترهای ورودی شامل متوسط بارش سالانه، متوسط دمای هوا سالانه، پارامتر خروجی نیز شامل رواناب سالانه میباشد. نتایج نشان داد از بین مدلهای بررسی شده مدل هوشمند عصبی _ فازی تطبیقی با کمترین میزان خطا 2/5 درصد و بیشترین میزان همبستگی 0/42 از دقت مناسبی در برآورد رواناب برخوردار است
الف- مقدمه
جهت مدیریت مناسب در یک حوضه هیدرولوژیکی نیاز به شناخت کامل آن میباشد لذا می توان گفت مهمترین بخش از این شناخت مربوط به ارائه مدلی جهت معرفی بارش و رواناب آن حوضه است که با توجه به طبیعت غیرخطی و اتفاقی پدیدههای هیدرولوژیکی، کاربرد شبکههای هوشمند در این علمکاملاً قابل توجیه است. در این مطالعه برای پیشبینی رواناب، دو رویکرد مورد استفاده و تحلیل قرار گرفت.
در رویکرد اول رواناب در بازه زمانی مدنظر به عنوان تابعی از اطلاعات فیزیوگرافی و اقلیمی در قالب مدلهای تجربی محاسبه گردید. در رویکرد دوم با در نظر گرفتن ارتباط عوامل اقلیمی با رواناب، مقدار آن به کمک ساختار متفاوت از مدل هوشمند عصبی- فازی تطبیقی برآورد شد. دلیل اصلی برای استفاده از رویکرد دوم دقت و سرعت دستیابی به جواب با لحاظ حداقل اطلاعات اقلیمی در شرایط ناکافی بودن دادههای در دسترس میباشد. در سالهای اخیر استفاده از این روشها در فرآیندهای هیدرولوژیکی و از جمله مدلسازی رواناب مورد توجه بسیاری از محققین بوده است، از جمله: - توکلی و رستمی نیا، - 1385 رواناب 11 ایستگاه هیدرومتری استان ایلام را براساس14خصوصیت فیزیوگرافی و بارندگی برای هر یک از زیرحوضهها بررسی و برآورد نمودند. بررسیهای انجام شده در سایر مناطق جهان نیز مبتنی بر برآورد رواناب از عوامل اقلیمی و فیزیوگرافی حوضه بوده است.
- Kadioglou & Sen, 2001 - و - - Sing et al., 2005 سعی در برآورد رواناب از عوامل بارش یا دما به ترتیب در حوضههای آبریز سوران هیمالیا و شهر استانبول داشتند. در حالیکه در اندازهگیری مستقیم جریان در ایستگاههای آبسنجی، مشکلاتی از قبیل افزایش یا کاهش سریع سرعت جریان، حمل مقدار زیاد رسوب، بارشهای رگباری و غیره وجود داشت. محدودیتهای یاد شده و لزوم تولید آمار و اطلاعات دقیق، موجب بهرهجویی از روشهای محاسباتی و یا هوش مصنوعی با قدرت انعطافپذیری بالا شده است
رابطه بارش - رواناب در مطالعات دیگر محققین - Shresta et al., 2005 - و - کارآموز و همکاران، - 1383 هم به کمک شبکه های عصبی مصنوعی انجام شد. همچنین علاوه بر بکارگیری شبکه عصبی مصنوعی از ترکیب روشهای عصبی و منطق فازی در زمینههای مختلف استفاده شده است که از آن جمله می توان به تحقیقات - Yarar et al., 2009 - در مدلسازی تغییرات جریان رودخانه اشاره کرد که برتری مدل ترکیبی عصبی- فازی را نسبت به دو روش شبکه نشان داد.
- Turan & Yurdusev, 2009 - با بکارگیری تکنیک مدلهای هوشمند عصبی در تخمین جریان رودخانه، مدل عصبی- فازی را نسبت به دیگر مدلهای هوشمند عصبی کاراتر دانست. تحقیقات مختلف نشان داده شبکههای هوشمند قابلیت مدل سازی سیستمهای پیچیده که روابط ریاضی برای توصیف آنها مشکل دارند، را دارا هستند. همچنین قابلیت مدل سازی سیستمهای با اغتشاش زیاد را دارا بوده و برای تشخیص الگو مناسب هستند. هدف اصلی این پژوهش انتخاب مدلی بادقت و سازگاری مناسب از بین مدلهای تجربی و مدل هوشمند عصبی- فازی تطبیقی با سریهای زمانی رواناب در حوضه سلامت آباد کردستان براساس حداقل دادههای موجود است.
ب- مواد و روشها
-1 منطقه×و×حوضه×مورد×مطالعه
در این تحقیق روستای سلامت آباد واقع در دهستان بابارشانی شهرستان بیجار کردستان مورد مطالعه قرار گرفت و اطلاعات موجود نیز از ایستگاه سینوپتیک حوضه سلامت آباد با مشخصات جغرافیایی 35°39'58"N و 47°50'14"E بدست آمد.
شکل -1 محدوده ی حوضه مورد مطالعه
