نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری هیدرولوژی دانشگاه شهید چمران اهواز

2 هیات علمی دانشگاه شهید چمران اهواز

3 دانشیار گروه هیدرولوژی و مهندسی منابع آب، دانشگاه شهید چمران اهواز

چکیده

یکی از مهمترین اطلاعات در بهره­برداری مطلوب از منابع آب، اطلاعات مربوط به پیش­بینی آبدهی در آینده است. دراستفاده از اطلاعات پیش­بینی جریان در نظر گرفتن عدم قطعیت­های موجود از اهمیت به سزایی برخوردار است. پیش­بینی­ گروهی جریان  یکی از روشهایی است که عدم قطعیت پیش­بینی به دلیل عدم اطلاعات دقیق پدیده­های هواشناسی را پوشش می­دهد. هدف از این تحقیق تولید و ارزیابی پیش­بینی گروهی جریان ماهانه برای حوضه آبریز رود زرد در ایران می باشد. برای تولید پیش­بینی گروهی از دو مدل استفاده شد: توسعه یک مدل بارش رواناب به روش تانک مدل (CRFM) و  تلفیقمدل CRFM با سیستم استنتاج فازی تطبیقی و توسعه مدل هیبرید. در ادامه روش اصلاح اریبی واقعه­ای روی پیش­بینی­های گروهی اعمال و نتایج هر سه پیش­بینی مورد ارزیابی قرار گرفت. نتایج نشان داد دقت مدل شبیه سازی جریان رودخانه تاثیر قابل توجهی در کیفیت نتایج پیش­بینی گروهی دارد به گونه­ای که امتیاز احتمالاتی رتبه­ای در مدل هیبرید که دقت بالاتری نسبت به مدل CRFM داراست از 56/0 به 38/0 کاهش یافته و ماه­های با پیش­بینی مناسب( امتیاز مهارت مثبت) از 82 به 115 ماه و در صورت اعمال اصلاح اریبی به 119 ماه از کل 182 ماه دوره شبیه افزایش می یابد. 

کلیدواژه‌ها

عنوان مقاله [English]

Ensemble Stream Flow Prediction (ESP) Using Hybrid Rainfall Runoff Model (Case study: Roud Zard Basin)

نویسندگان [English]

  • Ali Shahbazii 1
  • Ali Mohammad Akhond Ali 2
  • Fereidon Eadmanesh 3

چکیده [English]

     One of the most important information which is effective in desirable utilization of water resources is the information related to predicting the future available water in the catchment. Considering the existing uncertainty it is of significant importance when streamflow forecasting information is used. The ensemble stream flow prediction (ESP) is one of the methods in considering the forecast uncertainty. The goal of this research is to develop and evaluate monthly ESP for Roud Zard basin in Iran. Two models have been used to produce ESP: A conceptual river flow model based on Tank method (CRFM), and Combining the CRFM model with the adaptive neuro fuzzy inference system (ANFIS) to develop a hybrid model. Following, the Event bias correction method is employed on generated ESP’s and the results of the three predictions have been evaluated. The results show that the precision of base stream flow simulation model had considerable effects in the quality of the ensemble prediction as far as RPS in hybrid model that had higher precision than CRFM model has decreased from 0.56 to 0.38 and the months with suitable prediction (positive skills score) increased from 82 to 115 months and in case of employing bias correction, there will be an increase to 119 months from the total 182 months of simulation period.

کلیدواژه‌ها [English]

  • Ensemble Stream flow Prediction (ESP)
  • rainfall runoff model
  • Hybrid model
  • Event bias correction method

1- Brown J. D., Seo D. J., 2010. “A nonparametric post-processor for bias correcting ensemble forecasts of hydrometeorological and hydrologic variables”. Journal of Hydrometeorology, 11(3), 642-665.

 

2- Chiew F. H. S., Zhou S. L., McMahon T. A., 2003. “Use of seasonal streamflow forecasts in water resources 
management”. Journal of Hydrology, Volume 270, Issues 1–2, January, Pages 135-144, ISSN 0022-1694.

 

3- Danish hydraulic institute, 2007. “MIKE11 Reference manual”

 

4- Day G. N., 1985. “Extended streamflow forecasting using NWSRFS”. Journal of Water Resources Planning and Management 111(WR2): 147–170.

 

5- Duan Q., Sorooshian S., Gupta V., 1992. “Effective and efficient global optimization for conceptual rainfall-runoff models”, Water Resourses Research, Volume 28(4), pp. 1015-1031.

 

6- Faber B. A., Stedinger J. R., 2001. “Reservoir optimization using sampling SDP with ensemble streamflow prediction (ESP) forecasts”. Journal of Hydrology 249(1–4): 113–133.

 

7- Hyung-Il Eum1, Kim Y. O., Palmer R. N., 2011, “Optimal Drought  Management Using Sampling Stochastic Dynamic Programming with a Hedging Rule”. Journal of Water Res. Plan. and Manag., 137(1).

 

8- Jeong D. I., Kim Y. O., 2002. “Forecasting monthly inflow to Chungju dam using ensemble streamflow prediction”. Journal of Korean Society of Civil Engineers 22(3-B): 321–331 (in Korean).

 

9- Jeong D. I., Kim Y. O., 2005. “Rainfall-runoff models using artificial neural networks for ensemble streamflow prediction”. Hydrol. Process., 19: 3819–3835. doi: 10.1002/hyp.5983.

 

10- Kelman j., Stedinger J. R., Cooper L. A., Hsu E., Yuan S., 1990. “Sampling Stochastic Dynamic Programming Applied to Reservoir Operation”. Water Resources Research, 26(3), 447-54.

 

11- Kim Y. O., Palmer R. N., 1997. “Value of seasonal flow forecasts in Bayesian stochastic programming”. Journal of Water Resources Planning and Management 123(6): 327–335.

 

12- Regonda S. K., Seo D. J., Lawrence B., Brown J. D., Demargne J., 2013. “Short-term ensemble streamflow forecasting using operationally-produced single-valued streamflow forecasts–A Hydrologic Model Output Statistics (HMOS) approach”. Journal of Hydrology, 497, 80-96.

 

13- Renner M., Werner M. G., Rademacher S., Sprokkereef E., 2009. “Verification of ensemble flow forecasts for the River Rhine”. Journal of Hydrology, 376(3), 463-75.

 

14- Schaake J. C., Hartman R., Demargne J., Mullusky M., Welles E, Wu L, Fan X. 2004. “Ensemble streamflow prediction by the National Weather Service (NWS) Advanced Hydrologic Prediction Services (AHPS)”, In 2004 Joint Assembly, AGU, CGU, SEG, and EEGS: Montreal

 

15- Smith J. A., Day G. N., Kane M. D., 1992. “Nonparametric framework for long-range streamflow forecasting”, J. Water Resour. Planning and Management, 118, 82–91.

 

16- Wang F., Wang L., Zhou H., Saavedra Valeriano O. C., Koike T., Li W., 2012. “Ensemble hydrological predictionbased real-time optimization of a multiobjective reservoir during flood season in a semiarid basin with global numerical weather predictions”,Water Resour. Res., 48, W07520, doi:10.1029/2011WR011366.

 

17- Wilks DS., 1995. “Forecast verification: statistical method in the atmospheric science”, Academic Press: New York.

 

18- Yao H., Georgakakos AP., 2001. “Assessment of Flosom Lake response to historical and potential future climate scenarios 2. Reservoir management”. Journal of Hydrology 249: 176–196.

 

19- Yang L., Tian F., Sun Y., Yuan X., Hu H., 2013. “Attribution of hydrologic forecast  uncertainty within scalable forecast windows”, Hydrol. Earth Syst. Sci. Discuss., 10, 11795-11828, doi:10.5194/hessd-10-11795-2013.

 

20- Yeh W. W. G., Becker L., Zettlemoyer R., 1982. “Worth of inflow forecast for reservoir operation( Oroville- Thermalite California)”, Journal of Water Resources Planning and Management, 108 , pp. 257–269.