پیش بینی سناریوهای احتمالاتی ماهانه جریان رودخانه با رویکرد ESP (مطالعه موردی: رودخانه هلیل رود)

نوع مقاله : مقاله پژوهشی

نویسنده

استادیار گروه اکولوژی، پژوهشکده علوم محیطی، پژوهشگاه علوم و تکنولوژی پیشرفته و علوم محیطی، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته

چکیده

پیش­بینی جریان ورودی به مخزن سد، ابزاری اساسی در مدیریت بهینه منابع آب محسوب می­شود. ضرورت ارتقاء دقت و بازه زمانی پیش­بینی جریان، برای بخش کشاورزی که بزرگ­ترین مصرف­کننده آب محسوب می­شود، بارزتر می­باشد. در این راستا استفاده از رویکردهای احتمالاتی برای پیش­بینی­های بلند­مدت جریان و احتساب عدم قطعیت پیش­بینی، توصیه شده است. هدف تحقیق حاضر ارائه مدلی برای پیش­بینی احتمالاتی جریان ورودی به مخزن سد جیرفت می­باشد. در این راستا با استفاده از رویکرد پیش­بینی­های گروهی جریان (ESP) و نیز به­کارگیری مدل­های شبکه عصبی مصنوعی (ANNs)، سناریوهای احتمالاتی جریان یک تا دوازده ماه آینده رودخانه هلیل پیش­بینی گردید. بدین منظور با استفاده از داده­های هواشناسی و هیدرولوژیکی حوضه رودخانه هلیل­رود، پیش­بینی­های تجمعی جریان با مدل­های ANN صورت گرفت و در ادامه از این پیش­بینی­ها برای ساخت سناریوهای احتمالاتی جریان با رویکرد ESP مصنوعی استفاده شد. نتایج نشان داد، با افزایش بازه زمانی پیش­بینی، از مقیاس ماهانه تا سالانه، دقت نتایج، مقداری کاهش می­یابد. همچنین از ترکیب مدل­های ANN با رویکرد ESP مصنوعی، می­توان سناریوهای احتمالاتی جریان را بخوبی پیش­بینی نمود.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Probabilistic Forecasts of Streamflow Scenarios Using ESP Approach (Case study: Halil River)

نویسنده [English]

  • Sedigheh Anvari
Assistant Professor, Department of Ecology, Environmental Research Center, Institute of Science and High Technology and Environmental Science, Graduate University of Advanced Technology
چکیده [English]

Stream flow forecast is a fundamental tool that could be utilized for appropriate water resource management. The enhancement of accuracy as well as the increase of time horizon for stream flow forecasts is essential especially for agricultural sector which is the most vulnerable sector during water shortages. In this regard, the application of stochastic approaches like Ensemble Streamflow Prediction (ESP) procedure for long-term forecast with respect to streamflow uncertainty can be proposed. The ESP procedure produces streamflow forecasts in the form of multiple hydrographs, each a possible realization of seasonal streamflow (Day, 1985). One example of ensemble streamflow forecasts is the National Weather Service’s ESP procedure. Faber and Stedinger (2001) successfully combined reservoir operation models with updated information from ESP of the National Weather Service (Faber and Stedinger, 2001). Using ESP forecasts, Eum et al. (2011) also developed a procedure to calculate optimal water release curtailments during droughts using a future value function derived with a sampling stochastic dynamic programming model.
The main objective of this paper is to present a probabilistic approach and forecast the inflows to Jiroft dam reservoir. In this regards, using ESP approach as well as Artificial Neural Networks (ANNs) the 1- to 12- month ahead probabilistic scenarios of Halil river were forecasted.

کلیدواژه‌ها [English]

  • Stream flow Forecast
  • ANN
  • ESP
  • Halil River

مراجع

1- Alcázar, J., Palau, A. and Vega-Garcı, C., 2008. A neural net model for environmental flow estimation at the Ebro River Basin, Spain. Journal of hydrology, 349(1-2), pp.44-55.
 
2- Aqil, M., Kita, I., Yano, A. and Nishiyama, S., 2006. Analysis and prediction of flow from local source in a river basin using a Neuro-fuzzy modeling tool. Journal of Environmental Management, 10, pp.1-9.
 
3- ASCE Task Committee on Application of Artificial Neural Networks in Hydroloy, 2000. Artificial neural networks in hydrology, I: preliminary concepts. Journal of Hydrologic Engineering,  5(2), pp. 115-123.
 
4- Besaw, L.E., Rizzo, D.M., Bierman, P.R. and Hackett, W.R., 2010. Advances in ungauged streamflow prediction using artificial neural networks. Journal of Hydrology, 386(1-4), pp.27–37.
 
5- Chow, V.T., Maidment, D.R. and Larry W., 1981. Applied Hydrology.
 
6- Dawson, C.W., Abrahart, R.J., Shamseldin, A.Y. and Wibly, R.L., 2006. Flood estimation at  ungauged sites using artificial neural networks. Journal of Hydrology, 319, pp.391-409.
 
7- Day, G.N., 1985. Extended streamflow forecasting using NWSRFS. Journal of Water Resources Planning and Management, 111(2), pp.157-170.
 
8-  Demirel, M.C., Venancio, A. and Kahya, E., 2009. Flow forecast by SWAT model and ANN in Pracana basin, Portugal. Advances in Engineering Software, 40(7), pp.467-473.
 
9- Eum, H., Kim, Y.O. and Palmer, R., 2011. Optimal drought management using sampling stochastic dynamic programming with a hedging rule. Journal of Water Resources Planning and Management. 137(1), pp.113-122.
 
10- Faber, B.A. and Stedinger, J.R., 2001. Reservoir optimization using sampling SDP with ensemble steamflow prediction (ESP) forecasts. Journal of Hydrology, 249, pp.113-133.
 
11- http://news.moe.gov.ir/News/Details.aspx?ANWID = 11722
 
12- Karamooz, M. and Araghinezhad, SH., 2005. Advanced hydrology, Amirkabir University of Technology Press, Tehran, 465p, (In Persian).
 
13- Kim, Y.O., Eum, H., Lee E.G. and Ko, I.H., 2007. Optimizing operational policies of a korean multireservoir system using sampling stochastic dynamic programming with ensemble streamflow prediction. Journal of Water Resources Planning and Management, 133(1), pp.4-14.
 
14- Kisi, O., 2005. Daily river flow forecasting using artificial neural networks and auto-regressive models. Turkish Journal of Engeering and Environmental Science, 29, pp.9-20.
 
15-  Nayaka, P.C., Sudheerb, K.P., Ranganc, D.M. and Ramasastri, K.S., 2004. A neuro- fuzzy computing technique for modeling hydrological time series. Journal of Hydrology, 291, pp.52–66.
 
16- Saghafian, B., Anvari, S. and Morid, S., 2013. Effect of SOI and spatial climatic data on ANN, ANFIS and K-NN models in the stream flow forecasts. Expert Systems Journal, 30(4), pp.367–380.
 
17- Sedki, A., Ouazar, D. and El Mazoudi, E., 2009. Evolving neural network using real coded genetic algorithm for daily rainfall–runoff forecasting. Expert Systems with Applications, 36(3), pp.4523-4527.
 
18- Shiri, J. and Kisi, O., 2010. Short-term and long-term streamflow forecasting using a wavelet and neuro-fuzzy conjunction model. Journal of Hydrology, 394(3-4), pp.486-493.
 
19- Wang, W., Van Gelderp, H.A.J.M., Vrijling, J.K. and Ma, J., 2006. Forecasting daily streamflow using hybrid ANN models. Journal of Hydrology, 324, pp.383–399.
 
20- Zounemat Kermani, M. and Teshnehlab, M., 2007. Using adaptive neuro-fuzzy inference system for hydrological time series prediction. Applied Soft Computing, Available online at www.Sciencedirect.com.
علوم و مهندسی آبیاری
دوره 41، شماره 3
آبان 1397
صفحه 75-87

فایل ها

سابقه مقاله

  • تاریخ دریافت: 06 آبان 1395
  • تاریخ بازنگری: 07 مرداد 1395
  • تاریخ پذیرش: 24 بهمن 1395
  • تاریخ انتشار: 01 آبان 1397

هم رسانی

ارجاع به این مقاله

آمار