پیش‌بینی دبی اوج در نقاط پایین دست با استفاده از داده های ایستگاه‌های بالادست به کمک شبکه عصبی (مطالعه موردی: طالقان)

نوع مقاله: یادداشت فنی (5 صفحه)

نویسندگان

1 دانش آموخته کارشناسی ارشد/ آبخیزداری دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران.

2 دانشیار /دانشکده منابع طبیعی دانشگاه تهران و عضو قطب علمی مدیریت پایدار حوزه‌های آبخیز، دانشگاه تهران, کرج, ایران.

چکیده

در برخی موارد ممکن است ایستگاه هیدرومتری پایین‌دست منطقه به دلایلی تخریب شده باشد و دانستن دبی در پایین‌دست منطقه ضرورت داشته باشد، در این مواقع می‌توان با استفاده از اطلاعات موجود و یا داده‌های ایستگاه‌های بالادست، دبی در ایستگاه پایین‌دست را پیش‌بینی کرد. در این تحقیق دبی اوج در ایستگاه گلینک واقع در خروجی حوزه آبخیز طالقان با استفاده از شبکه عصبی مصنوعی در دو حالت پیش‌بینی شده است. در حالت اول از آمار گذشته ایستگاه، شامل دبی‌های متوسط حداکثر روزانه و بارش‌های متناظر، یک روز و پنج روز قبل، مجموع بارندگی پنج روز و دمای میانگین ماهانه استفاده شد و در حالت دوم آمار فوق‌الذکر در واحدهای هیدرولوژیک گته‌ده، مهران، علیزان و جوستان و همچنین پارامترهای فیزیوگرافی مساحت، ارتفاع متوسط، طول آبراهه اصلی و شیب متوسط نیز به مدل افزوده شدند. نوع شبکه مورد استفاده شبکه عصبی پیشخور دو لایه با الگوریتم پس‌انتشار بود که داده‌ها طی سه مرحله آموزش، اعتبارسنجی و تست گردیدند. نتایج حاکی از آن است که پیش‌بینی دبی اوج با استفاده از ایستگاه‌های بالادست و پارامترهای فیزیوگرافی بهتر از پیش‌بینی دبی با استفاده از اطلاعات سال‌های قبل در پایین‌دست ایستگاه می‌باشد.
 

کلیدواژه‌ها


عنوان مقاله [English]

Peak Discharge forecast in the Downstream Station Using the Upstream Stations By Neural Network (Case Study: Taleghan)

نویسندگان [English]

  • M Khosravi 1
  • A Salajegheh 2
1 M.Sc. graduate in Watershed Management, Faculty of Natural Resources, University of Tehran, Karaj, Iran
2 Assistant Professor, Faculty of Natural Resources, University of Tehran, Karaj, Iran.
چکیده [English]

In cases that the gauging station in the downstream is destroyed for some reasons, and it is necessary to know the stream flow in the downstream, it is possible to forecast stream flow in the downstream station using the available data in the upstream station. In this research, the peak discharge of Gelinak station has been forecasted at outlet of the Taleghan watershed using artificial neural network in two states. In the first state, historic data of the Gelinak station including the maximum daily mean discharges, corresponding rainfall, one day antecedent rainfall and five days antecedent rainfall, sum of the five days antecedent rainfall and monthly mean temperature. In the second state,  these  data  for the hydrologic units of Gatehdeh, Mehran, Alizan, Joestan were extracted and the physiographic parameters area, average height, main waterway length, and the average river slope were added into the artificial Neural Network model. The model is feed forward with two layers and the back-propagation algorithm. Data were trained, validated, and tested in three stages. Results showed that the forecast of peak discharge using the upstream station and the physiographic parameters are better[A1]  than the peak discharge forecast using data from the last year in the downstream station



 

کلیدواژه‌ها [English]

  • Artificial Neural Network
  • Peak Discharge
  • Taleghan

Sajjad, A. and Simonovic, S.P (2005). An artificial neural network model for generating hydrograph from hydro-meteorological parameters. Journal of  Hydrology, 315(1-4), pp. 236–251.

Deo, M.C. and Thirumalayah. K. (2000). real time forcasting using neural networks. In: R. S.Govindaraju and A. Ramachandra Rao (Eds.), Artificial neural networks in hydrology, Published by KluwerAcademic, USA. pp. 53-72.

Han, J. (2002). Application of artificial neural networks for flood warning system. A dissertation submitted to the graduate faculty of the North Carolina State University in partial fulfillment of the requirements for the Degree of Doctor of Philosophy. Raleigh, North Carolina.151 p.

Jankowski, N. and Duch. W. (2001). Optimal transfer function neural networks. Proceedings, European symposium on artificial neural networks, Belgium, D-Facto Public, pp. 101-106.

Karunaithi, N., Crenny, J.W., Whitley, D. and Bovee, K. (1994). Neural networks for River flow prediction. Journal of Computing in Civil Engineering. 8(2), pp. 201-219.

Markus, M., Salas, J.D. and Shin, H.K. (1995). Predicting stream flows based on neural networks. Proceedings of the first International Conference on Water Resources Engineering. ASCE, pp. 1641-1646.

Muttiah, R.S., Srinivasan, R. and Allen, P.M. (1997). Prediction of two year peak stream discharges using neural networks. Journal of Hydrology. 33(3), pp. 625-630.

Ni, J.R. and Xue, A. (2003). Application of artificial neural network to the rapid feedback of potential ecological risk in flood diversion zone. Engineering Application of artificial Intelligence, pp. 105-119.

Smith, J. and Eli, R.N. (1995). Neural-network models of rainfall-runoff. Journal of Water Resources Planning & Management. 121(6), pp. 499-508.

Tienfuan, K. and Lee. C.S. (2006). Neural networks forecasting of flood discharge at an unmeasured station using river upstream information. Advances in Engineering Software. 37(8), pp. 533–543.

Zhu, M., Fajita, M. and Hashimoto, N. (1999). Application of neural networks to runoff prediction. In: Hipel, K.W. t al. (ED). Stochastic & statistical method in Hydrology & Environmental Engineering, Kluwer, Dordrecht, The Netherlands, pp. 205-216.