مدل هوشمند مبتنی بر ژئومورفولوژی و مقایسه با مدل GIUH برای برآورد رواناب مستقیم

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار/ گروه مهندسی آبیاری وزهکشی، پردیس ابوریحان دانشگاه تهران، پاکدشت

2 دانشیار/گروه مهندسی آبیاری وزهکشی، پردیس ابوریحان دانشگاه تهران، پاکدشت

3 مربی/ گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی آب وخاک، پردیس کشاورزی ومنابع طبیعی ، دانشگاه تهران، کرج

4 دانشجوی دکتری /مهندسی منابع آب، گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی آب وخاک، پردیس کشاورزی ومنابع طبیعی ، دانشگاه تهران، کرج

چکیده

درمدل هیدروگراف واحد لحظه ای ژئومورفولوژی از شبکه زهکشی حوضه آبریز و قوانین هورتون استفاده می‌گردد. این مدل یک رهیافت ساده مدل‌سازی رواناب-بارندگی برای حوضه‌های فاقد آمار می‌باشد. کارشناسان هیدرولوژی همواره سعی کرده اند رابطه‌ای بین پاسخ هیدرولوژیکی حوضه و مشخصات توپوگرافی حوضه ها بر قرار نمایند.  در این تحقیق از سه مدل بارندگی- رواناب شامل  مدل جعبه سیاه مبتنی بر مشخصات ژئومورفولوژی (GANN) و  مدل مفهومی دو پارامتری ناش و مدل هیدروگراف واحد لحظه‌ای ژئومورفولوژیکی (GIUH)  که برای حوضه‌های فاقد آمار  پشنهاد گردیده است برای یک حوضه متوسط استفاده شد. از این مدل‌ها برای مطالعه ده واقعه بارش-رواناب در حوضه معرف کسیلیان واقع در ناحیه شمالی ایران استفاده شد.  نتایج حاصل از  مدل ژئومورفولوژی  با داده‌های مشاهده‌ای و دو مدل دیگر مقایسه گردیده است. نتایج این تحقیق نشان می دهد که مدل شبکه عصبی مصنوعی بر پایه ژئومورفولوژی (GANN) از مدل کاملاً تجربی شبکه عصبی مصنوعی می‌باشند، برتر است. علاوه بر این می‌توان چنین نتیجه‌گیری کرد که لحاظ  مشخصات ژئومورفولوژی در مدل ANN   بر توانایی این  مدل برای شبیه‌سازی رابطه بارندگی- رواناب می‌افزاید.

کلیدواژه‌ها


عنوان مقاله [English]

A Comparative Study of Geomorphologic Artificial Intelligent Model And GIUH For Direct Runoff Computations

نویسندگان [English]

  • M. Reza Najafi 1
  • S. M. R Behbahani 2
  • J Abdollahi 3
  • S. M Hosseini 4
1 Assistant Professor, Department of Irrigation and Drainage Engineering Group, Faculty of Agriculture Engineering, College of Aboureihan, University of Tehran, Tehran, IRAN
2 Associate Professor, Department of Irrigation and Drainage Engineering Group, Faculty of Agriculture Engineering, College of Aboureihan, University of Tehran, Tehran, IRAN.
3 Instructore, Department of Irrigation and Reclamation Engineering Group, Faculty of Soil and Water Engrg., College of Agriculture and Natural Resources, University of Tehran, Karaj, IRAN.
4 Ph.D student, Department of Irrigation and Reclamation Engineering Group, Faculty of Soil and Water Engrg., College of Agriculture and Natural Resources, University of Tehran, Karaj, IRAN.
چکیده [English]

The Geomorphologic Instantaneous Unit Hydrograph utilizes Horton's law and the drainage characteristics of the watershed. This is a simple approach to direct runoff computations in ungaged watersheds. Hydrologists have increasingly attempted to relate the watershed’s hydrological responses to watershed topographical characteristics. In this study three different categories of rainfall-runoff models proposed for ungaged watersheds, including a black-box model equipped with Geomorphologic characteristics called: the Geomorphologic 1-Artificial Neural Network (GANN) model, 2-a conceptual two parameter model (Nash model), and 3-Geomorphology Instantaneous Unit Hydrograph (GIUH) were evaluated in a middle size watershed. The applicability of these models were studied for ten rainfall-runoff events of the Kassilian representative watershed located in the north of Iran. The results indicated that GANN model in runoff estimation is more powerful than the other two models. It can also be concluded that adopting the geomorphologic characteristics of watershed in the ANN model can promote this model from a pure black-box model to a model with more capabilities in simulation of a rainfall-runoff relationship. 

کلیدواژه‌ها [English]

  • Rainfall-Runoff
  • geomorphology
  • Artificial Neural Network
  • Kassilian
Anmala, J., Zhang, B. and Govindaraju, R. (2000), "Comparison of ANNs and empirical approach for predicting watershed runoff. ASCE" Journal of Water Resources Planning and Management, Vol. 126(3): pp. 156-166.

Chow, V.T., Maidment, D.R., and Mays, L.W. (1988), Applied Hydrology, McGraw-Hill Book Company, p. 572.

Fernando, D.A.K. and Jayawardena, A.W. (1998), "Runoff forecasting using RBF networks with OLS algorithm". ASCE, Journal of Hydrologic Engineering, Vol. 3(3): pp. 203-209.

Ghahraman, B. (1995), "Geomorphoclimatic Instantaneous Unit Hydrograph", Ferdowsi University of Mashhad, Journal of Engineering, Vol. 7: 38-56. 

Ghahraman, B. (1996), "GIUH-GCIUH Comparison for two Watersheds in Iran". International Journal of Engineering, Vol. 9(4).

Gupta, V., Waymire, E. and Wang, C. (1980), A "Representation of an instantaneous unit hydrograph from geomorphology". Water Resources Research, Vol. 16(5), pp. 855-862.

Hjelmfelt, A. and Wang, M. (1993), "Runoff simulation using ANN. In: Topping. Proceeding of the Fourth International Conference in the Application of Artificial Intelligence in Civil and Structural Engineering. ASCE, Edinburgh, UK, pp. 517-522.

Mitchell, W. D. (1948), Unit hydrographs in Illinois, Department of Public Works and Buildings, Division of  Waterways, I 11.

Mojaddadi, H., Habibnejad, M., Solaimani, K., Ahmadi, M. Z., and Hadian-Amri, M. A. (2008), "An Investigation of Efficiency of Outlet Runoff Assessment Models: Navrud Watershed", Iran. Journal of Applied Sciences. Vol. 9, No. 1, Pages: 105-112.

Nash, J. E. (1957), "The form of instantaneous unit hydrograph, Int. Assn. Sci. Hydro. Publ. No. 51, pp. 546-557, LAHS, Gentbrugge, Belgium.

Nash, J.E. and Sutcliffe, J.V. (1970), "River Flow Forecasting Through Conceptual Models", Journal of Hydrology, 10(3): pp. 282–290.

Rodrigues-Iturbe, I. and Valdes, J. (1979), "The geomorphological structure of hydrologic response", Water Resources Research 15(6): pp. 1409-1420.

Schumm, S. A. (1956), Evolution of drainage systems and slope in badlands at Pert Ambody, New Jersey. Bull. Geological Soc. Am., 67: pp. 597-646.

Sherman L. K. (1932), Stream flow from rainfall by the unit graph method. Eng. News Rec. 108: pp. 501–505.

Singh V. P. (1988), Hydrologic Systems. Volume I: Rainfall-Runoff Modeling, Prentice Hall, Englewood Cliffs New Jersey, p. 480.  

Smart, S. (1972), Channel networks, Advances in Hydrosciences, Vol. (8): pp. 305-346.

Zhang, B. and Govindaraju, R.S. (2003), "Geomorphology-based artificial neural networks (GANNs) for estimation of direct runoff over watershed". Journal of Hydrology, Vol. 273: pp. 18-34.