ارزيابي اثر متغيرهاي تاثيرگذار بر پيش‌بيني سيلاب واريزه‌اي با استفاده از مدل شبكه بيزين

Assessment of Effective Factors on the Forecasting of Debris Floods Using Bayesian Network Model

پيش­ بيني سيلاب واريزه ­اي جهت كاهش خسارات ناشي از آن از اهميت ويژه ­اي برخوردار است. هدف اين تحقيق پيش ­بيني غلظت رسوبات سيلاب (واريزه ­اي و معمولي) توسط مدل ­هاي شبكه بيزين و شبكه عصبي در حوضه‌هاي امامه، ناورود و كسيليان است كه به ترتيب در استان­هاي تهران، گيلان و مازندران واقع شده ­اند. بدين­ منظور، متوسط ارتفاع، شيب حوضه، مساحت حوضه، بارش فعلي، بارش پيشين (به مدت 3 روز قبل) و دبي 1 روز قبل به عنوان متغيرهاي ورودي انتخاب شدند. سپس براي تعيين مؤثرترين عوامل بر غلظت رسوبات سيلاب، 32 سناريو ارزيابي شد. براي سناريو حاصل از كليه عوامل منتخب، شاخص­ هاي R2 و MAPE در مرحله آزمون، به ترتيب 0/97 و %8/55 برآورد گرديد. ارزيابي اثر متغيرهاي مختلف نشان داد مؤثرترين عوامل بر دقت پيش­ بيني شبكه بيزين به ترتيب ارتفاع حوضه، بارش فعلي، دبي روز قبل، مساحت حوضه و بارش پيشين يك روز قبل مي ­باشند. شاخص ­هاي R2 و MAPE براي اين سناريو 0/91 و %11/01 است كه به دليل داشتن كمترين تعداد عوامل ورودي و بالاترين دقت به عنوان بهترين سناريو انتخاب گرديد. مقايسه عملكرد مدل بيزين با مدل شبكه عصبي نشان داد مدل شبكه بيزين دقت پيش ­بيني بالاتري دارد. مؤثرترين عوامل شناسايي شده مي ­تواند براي پيش ­بيني سيلاب واريزه ­اي در حوضه ­هاي مشابه استفاده گردد.

It is important to predict debris flood for reducing its damages. The aim of this study is the prediction of sediment concentration of debris floods and ordinary floods using bayesian network (BN) and artificial neural network (ANN) models in Ammameh, Navrood and Casilian basins which were located in Tehran, Gilan and Mazandaran provinces, respectively. Accordingly, average basin elevation (EL), average basin slope (S), watershed area (A), current day rainfall (R), antecedent rainfall (AR) of three-days ago and discharge of one-day ago were selected as input variables. Then, 32 scenarios were tested to determine the most effective factors on the sediment concentration of flood. For the scenario derived from all selected factors, indices R2 and MAPE in the test stage were obtained 0.97 and 8.55%, respectively. Assessment of the effect of different factors shows that the most effective factors on the BN model’s prediction accuracy are EL, R, PQ, A and AR one-day ago. Indices R2 and MAPE for this scenario were obtained 0.916 and 11.01%, respectively. It was selected as the best scenario because the least number of predictors and the highest accuracy. The most effective factors identified in this study can be used to predict debris flood in similar basins.