پیش بینی جریان ورودی سد امیرکبیر با استفاده از الگوهای دورپیوند اقلیمی و مدل های یادگیری ماشین

تقاضا برای آب شیرین به طور فزاینده­ ای در حال افزایش است، درحالی که منابع محدود آب، در معرض اضافه­ برداشت، آلودگی و تغییرات اقلیمی هستند که این موارد نیاز به بهبود مدیریت منابع آب را به منظور توزیع عادلانه و دست یابی به اهداف توسعه پایدار برجسته می کند. یک گزینه کم­ هزینه برای حمایت از استراتژی ­های مدیریت بهتر آب، توسعه مدل­ هایی با قابلیت پیش ­بینی مقادیر آب دردسترس، به ویژه مقادیر مربوط به بارش و جریان رودخانه ­هاست. تنوع اقلیمی و تغییرات آب و هوایی، یک فرض اساسی برای پیش­بینی ­های هیدروکلیماتولوژیکی است. یکی از جنبه ­های قابل ­توجه این موضوع، همبستگی بین پدیده­ های بزرگ ­مقیاس جوی-اقیانوسی یا الگوهای دورپیوند با فرایندهای هیدرولوژیکی در مقیاس محلی است که این الگوها می ­توانند بر جریان ورودی به سدها نیز اثرگذار باشند. در این مطالعه از سه مدل یادگیری ماشین شبکه عصبی مصنوعی، شبکه عصبی بیزین و سیستم استنتاج عصبی-فازی سازگار برای پیش­ بینی جریان ورودی به سدها بهره گرفته شده­ است تا کارایی آن ها مورد ارزیابی قرار بگیرد. بدین منظور ۱۲ سناریو متشکل از متغیرهای بارش، جریان ورودی به سد و نه شاخص­ اقلیمی با تاخیر تا شش گام زمانی، طراحی شد تا تاثیر استفاده از الگوهای دورپیوند به عنوان متغیرهای پیش­ بینی ­کننده جریان یک ماه بعد سد امیرکبیر، موردبررسی قرار بگیرد. تحلیل نتایج این پژوهش نشان داد که استفاده از شاخص Nino۳.۴ با یک­ گام زمانی تاخیر و هم چنین شاخص PDO با دو گام زمانی تاخیر، می ­توانند باعث افزایش دقت مدل نسبت به سناریوهای که در آن ها تنها از متغیرهای ایستگاهی استفاده شده ­است، شوند. طبق نتایج، شاخص Nino۳.۴ موثرترین شاخص بر جریان ورودی به سد امیرکبیر شناخته ­شد و سناریویی که در آن از شاخص نام­برده به همراه داده­ های بارش و جریان یک و دوماه قبل به عنوان ورودی استفاده شده بود، در هر سه مدل، بالاترین دقت را به ثبت رساند. هم چنین عملکرد مدل ANFIS برای سناریوی نام­برده (سناریوی ۹)، با مقادیر RMSE و R۲، به ترتیب معادل با ۶۹/۵ مترمکعب بر ثانیه و ۷۹/۰، نسبت به دو مدل ANN و BNN بهتر بود، به طوری که مقدار شاخص R۲ برای بهترین سناریوی متشکل از متغیرهای ایستگاهی (سناریوی ۵)، به میزان ۱۵/۰ افزایش یافته و مقدار شاخص RMSE نیز به میزان ۷۸/۰ مترمکعب کاهش یافته­ است.

Keywords:

الگوهای دورپیوند , پیش بینی جریان , شبکه عصبی مصنوعی , شبکه عصبی بیزین , ANFIS