پیشبینی سیل با استفاده از تلفیق تصاویر ماهوارهای و مدل بارش-رواناب در مناطق فاقد آمار
Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 743
This Paper With 16 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_WATER-11-1_014
تاریخ نمایه سازی: 4 اسفند 1399
Abstract:
از مهمترین مسائلی که درمطالعات هیدرولوژی و سیلخیزی به آن پرداخته میشود، برآورد دبی حداکثر سیلاب و تهیه هیدروگراف آن با استفاده از مدلهای هیدرولوژیکی میباشد. امروزه محصولات بارش ماهواره با قدرت تفکیک مکانی و زمانی متفاوت تا حدود زیادی مشکلات و محدودیتهای رایج در تهیه دادههای بارش را برطرف کردهاند. لذا هدف از این تحقیق بررسی و کاربرد دادههای بارش ماهواره TRMM به عنوان ورودی مدلهای هیدرولوژیکی برای شبیهسازی سیل در حوضه آبریز قرهسو میباشد. بدین منظور ابتدا مدل مفهومی حوضه در محیط نرمافزار HEC-GeoHMS تهیه شده و عملکرد نرمافزار HEC-HMS در شبیهسازی هیدروگراف سیل مورد ارزیابی قرار گرفت. برای تخمین میزان بارش در قسمتهایی از حوضه که فاقد ایستگاه بارانسنجی بود، از دادههای ماهواره TRMM استفاده شد. دقت دادههای بارش ماهوارهای با مقایسه با مقادیر مشاهداتی طی سالهای 2013-2003 بررسی شد. نتایج حاکی از عملکرد مناسب مدل HEC-HMS در برآورد دبی اوج و حجم سیلاب برای حوضه آبریز داشت به طوریکه اختلاف بین دبی اوج مشاهداتی و محاسباتی کمتر از 7 درصد و اختلاف حجم سیلاب مشاهداتی و محاسباتی نیز کمتر از 10 درصد بود. بررسی تصاویر ماهواره TRMM نشان داد بیشترین همبستگی، بین دادههای ماهانه با مقادیر ضریب همبستگی 99/0-52/0 بوده و دادههای بارش روزانه از دقت کافی برخوردار نبودند. همچنین با در نظر گرفتن اثر ارتفاع محل، میتوان از مقادیر حدی بارش به دستآمده از تصاویر ماهواره TRMM با دقت قابل قبول و میانگین خطای کمتر از 20 درصد استفاده کرد.
Keywords:
Authors
الهه مرادیانی
گروه مهندسی عمران، دانشکده فنی مهندسی، دانشگاه رازی، کرمانشاه، ایران
علی اکبر اختری
مهندسی عمران، دانشگاه رازی، کرمانشاه، ایران.
آرش آذری
گروه مهندسی آب، دانشکده علوم و مهندسی کشاورزی، دانشگاه رازی، کرمانشاه، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :