شبيه سازي رواناب حاصل از ذوب برف به كمك شبكه عصبي مصنوعي و ‏‎‏‏‏‏‏نروفازي در حوزه آبخيز طالقان

Snowmelt Runoff Prediction by Using Artificial Neural Network and Adaptive Neuro-fuzzy Inference System in Taleghan Watershed

پيش بيني رواناب حاصل از ذوب برف يكي از چالش هاي مهم در مديريت حوزه هاي آبخيز مي باشد. پژوهش حاضر با هدف شبيه سازي رواناب حاصل از ذوب برف به كمك شبكه عصبي مصنوعي و نروفازي در حوزه آبخيز طالقان واقع در استان البرز صورت گرفته است. بدين منظور 38 تصوير سنجنده موديس مربوط به سالهاي 2003، 2004، 2005 و 2006 از سازمان فضايي ايران دريافت گرديد و سطح پوشش برف در هر يك از تصاوير استخراج و با توجه به عمق و چگالي برف ميزان حجم آب معادل برف در طي سالهاي فوق الذكر محاسبه گرديد. همچنين داده هاي ارتفاع بارندگي روزانه، درجه حرارت روزانه، ارتفاع معادل برف روزانه و دبي روزانه در سالهاي فوق الذكر در دسترس بوده كه از شبكه هايي به فرم پرسپترون چندلايه و الگوريتم پس انتشار خطا براي يافتن ساختار شبكه استفاده، و با مدل نروفازي مقايسه شده است. نتايج نشان داد كه در ايستگاه هيدرومتري گلينك شبكه عصبي مصنوعي در مرحله آزمايش با ريشه ميانگين مربعات خطا 133/0 و ضريب تعيين 71/0 نسبت به نروفازي با ريشه ميانگين مربعات خطا 84/0 و ضريب تعيين 52/0 عملكرد بهتري داشته است. در اين ايستگاه مدل هاي بدون ارتفاع آب معادل برف عملكرد بهتري نسبت به مدلهاي با ارتفاع آب معادل برف داشته اند و افزايش تعداد ورودي هاي از يك دوره زماني پيشين به سه دوره زماني پيشين باعث عملكرد مناسب تر مدل ها شده است. در قسمت ديگر پژوهش همين مقايسه براي سه ايستگاه آب سنجي ديگر انجام شده است كه در هر سه ايستگاه شبكه عصبي مصنوعي داراي كارآيي بالاتري نسبت به نروفازي در پيش بيني جريان بوده و دخالت دادن ارتفاع آب معادل برف در دو ايستگاه باعث افزايش كارآيي ساختار شبكه شده و افزايش تعداد ورودي هاي از يك دوره زماني پيشين به سه دوره زماني پيشين در دو ايستگاه باعث عملكرد نامناسب تر مدل ها شده است.

Snowmelt runoff is one of the important challenges in watershed management. The present research was carried out for snowmelt runoff prediction by using artificial neural network (ANN) and adaptive neuro-fuzzy inference system (ANFIS) in the watershed area of Taleghan located in Alborz province. For this reason, 38 MODIS instrument images have obtained from Iranian space agency for 2003, 2004, 2005 and 2006 years. Snow cover area (SCA) was extracted from all images. Then, snow water equivalent volume was computed using SCA and snow depth and density for mentioned years. Also, daily rainfall, temperature, snow water equivalent variables were used as inputs and daily discharge as output to multilayer feedforward perceptrons using backpropagation algorithm and comprised with artificial neural fuzzy interference system (ANFIS). The results reveal that for the Galink hydrometry station, it was found that ANN with RMSE=0.133 m3/s and R2=0.71 in the validation stage are superior in snowmelt runoff forecasting than the ANFIS with RMSE=0.84 m3/s and R2=0.52, respectively. For this station, the ANN models without daily snow water equivalent as input are superior than the ANN models with daily snow water equivalent as input and also increase the number of inputs from 1-day previous to 3-day previous proved to be an excellent alternative to perform high quality daily snowmelt runoff prediction. In the other part of study, these comparisons were performed for three other gauging stations, it was found that the ANN in the validation stage is superior in snomelt runoff forecasting than the ANFIS. the ANN models with daily snow water equivalent as input are superior than the ANN models without daily snow water equivalent as input and also increase the number of inputs from 1-day previous to 3-day previous proved to be an excellent alternative to perform high quality daily snowmelt runoff prediction for two stations.