یکپارچه‌سازی سیستم اطلاعات مکانی (GIS)، شبکة عصبی پرسپترون چندلایه (MLP) و مدل بارش-رواناب (SWAT) با درنظرگرفتن تغییرات کاربری‌ها برای پیش‌بینی دبی ورودی و حجم رسوب (مطالعة موردی: سد ستارخان)

نوع مقاله : علمی - پژوهشی

نویسندگان

1 دانشجوی دکتری سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران

2 استادیار گروه سازه و ژئوتکنیک، دانشکدة عمران، آب و محیط‌زیست، دانشگاه شهید بهشتی، تهران

3 استادیار گروه سنجش از دور و GIS، دانشگاه تربیت مدرس، تهران

چکیده

هدف از مطالعات رسوب‌گذاری در یک سد مخزنی یافتن دیدی کلی درمورد میزان حجم ازدست‌رفتة مخزن است. در این میان، بررسی و پیش‌بینی حجم رسوب واردشده به مخزن اهمیت ویژه‌ای دارد. در این پژوهش، با استفاده از روش آماری ریزمقیاس‌کردن، بارش و دما در محدودة حوضة آبریز سد ستارخان با مساحت 950 کیلومترمربع، واقع در استان آذربایجان شرقی، در بلند‌مدت پیش‌بینی شده‌اند. با توجه به اطلاعات بارش و دمای پیش‌بینی‌شده، به‌کمک مدل [1]SWAT، رسوب ورودی به سد شبیه‌سازی شده است. مقایسة نتایج این مدل و مقادیر مشاهداتی نشان می‌دهد گرچه مدل SWAT با دقت بالای 80% می‌تواند روند جریان رسوب ورودی به مخزن را شبیه‌سازی کند، قادر به شبیه‌سازی مقادیر واقعی رسوب نیست. برای رفع این اختلاف، باید پارامتر فرسایش نیز، برای رسیدن به نتیجة مطلوب، در محاسبات لحاظ شود. بنابراین ابتدا با کمک مدل شبکة عصبی پرسپترون چندلایه (MLP) بارش مورد نظر پیش‌بینی شده و سپس نقشة کاربری به‌منظور تعیین میزان تأثیر کاربری و، به‌تبع آن، فرسایش در محیط GIS تهیه شده است. ترکیب پارامتر کاربری در محیط GIS و بارش پیش‌بینی‌شده می‌تواند خروجی SWAT را به مقدار واقعی نزدیک‌تر کند. نتایج حاصل نشان می‌دهد که با یکپارچه‌سازی و استفاده از مدل‌های به‌کاررفته و قابلیت‌های GIS می‌توان نتایج و برآورد میزان حجم رسوب را با دقت بالای 95% محاسبه کرد.

کلیدواژه‌ها

مراجع

  1. آرخی، ص.، نیازی، ی.، 1389، بررسی کاربرد تخمین فرسایش خاک و بار رسوب با استفاده از مدل RUSLE (مطالعة موردی: حوضة بالادست سد ایلام)، پژوهش‌های حفاظت آب و خاک، جلد هفتم، شمارة 2، صص 27-1.
  2. اقدامی‌راد، س.، 1383، بررسی تأثیر سیگنال‌های هواشناسی بر بارش و رواناب حوضه آبریز کارون و دز، پایان‌نامه کارشناسی ارشد، دانشگاه تهران.
  3. حسینخانی، ح.، 1392، ارزیابی خطر فرسایش و پتانسیل رسوبدهی حوضة آبریز سد شهریار میانه با استفاده از تکنیک‌های GIS و مدل EPM، زمین‌شناسی ایران، سال هفتم، شمارة 26، صص 96-87.
  4. حق‌نگهدار، ا.، 1382، تأثیر سیگنال‌های هواشناسی در اصلاح پیش‌بینی جریانات رودخانه‌ای، رسالة کارشناسی ارشد، دانشگاه تهران.
  5. دهقان، ز.، فتحیان، ف.، اسلامیان، س.، 1394، ارزیابی مقایسه‌ای مدل‌های SDSM، IDW، LARS-WG برای شبیه‌سازی و ریز‌مقیاس‌کردن دما، آب و خاک (علوم و صنایع کشاورزی)، جلد 29، شمارة 5، صص 1390-1376.
  6. رضوی‌زاده، س.، کاویان، ع.، وفاخواه، م.، 1393، تخمین دبی بار معلق رسوب با استفاده از بهترین ساختار شبکة عصبی مصنوعی در حوضة آبخیز طالقان، علوم و فنون کشاورزی و منابع طبیعی، سال هجدهم، شمارة 68، صص 88-79.
  7. ساداتی‌نژاد، ج.، شکاری، م.ر.، ولی، ع.، 1395، پیش‌بینی بارش ماهانه با استفاده از شاخص‌های اقلیمی پیوند از دور با استفاده از شبکة عصبی مصنوعی و مدل آماری (مطالعة موردی: ایستگاه‌های هم‌جوار ششده و قره‌بلاغ)، اکوهیدرولوژی، دورة سوم، شمارة 3، صص 403-391.
  8. علیزاده، ا.، 1389، اصول هیدرولوژی کاربردی، انتشارات دانشگاه امام رضا (ع)، مشهد.
  9. فرخ‌‌زاده، ب.، ایلدرمی، ع.، عطاییان، ب.، نوروزی، م.، 1394، ارزیابی تأثیر تغییر کاربری اراضی در میزان بار معلق با استفاده از مدل SWAT (مطالعة موردی: حوضة آبخیز یلفان – استان همدان)، پژوهش‌های فرسایش محیطی، سال نوزدهم، شمارة 3، صص 46-28.
  10. فلامکی، ا.، اسکندری، م.، بغلانی، ع.، احمدی، س.ا.، 1392، مدلسازی بار رسوب کل رودخانه‌ها با استفاده از شبکه‌های عصبی و مصنوعی، حفاظت منابع آب و خاک، سال دوم، شمارة 3، صص 24-13.
  11. کارآموز، م.، عراقی‌نژاد، ش.، 1384، هیدرولوژی پیشرفته، انتشارات دانشگاه صنعتی امیرکبیر تهران.
  12. گلشن، م.، 1392، پیش‌بینی دبی جریان و تولید رسوب با استفاده از مدل SWAT در حوضة آبخیز هراز استان مازندران، رسالة کارشناسی ارشد، دانشگاه علوم کشاورزی و منابع طبیعی ساری.
  13. یزدان‌پناه، ع.، 1385، پیش‌بینی بارش‌های موسمی متأثر از مانسون: مطالعة موردی منطقة جنوب‌شرق ایران، رسالة کارشناسی ارشد، دانشگاه صنعتی امیرکبیر تهران.
  14. Hejazizadeh, Z., Fattahi, A., Salighe, M. & Arsalani, F., 2013, The Effect of Climatic Signals on Precipitation in Central Part of Iran Using Artificial Neural Network, Research Applied Geographical Sciences, No. 13, PP. 75-89.
  15. Moghaddamnia, A., Gousheh, M.G., Piri, J., Amin, S. & Han, D., 2009, Evaporation Estimation Using Artificial Neural Networks and Adaptive Neuro- Fuzzy Inference System Techniques, Advances in Water Resources, No. 31, PP. 88-97.
  16. Olive, L.J. & Reiger, W.A., 1992, Stream Suspended Sediment Transport Monitoring – Why How and What IS Being Measured?, IAHS Public, No. 210, PP. 245-254.
  17. Sharma, S., Srivastava, P., Fang, X. & Kalin, L., 2016, Hydrologic Simulation Approach for El Nio Southern Oscillation (ENSO)-Affected Watershed with Limited Raingauge Stations, Hydrological Sciences Journal, No. 25, PP. 991-1000.
  18. Silverman, D. & Dracup, JA., 2000, Artificial Neural Networks and Long-Range Precipitation Prediction in California, Journal of applied meteorology, No. 39(1), PP. 57-66.
  19. Walling, D.E., 1994, Measuring Sediment Yield from River Basins, Soil Erosion Research Methods, Soil and Water Conservation Society, PP. 39-83

فایل ها

هم رسانی

ارجاع به این مقاله

آمار