ارزيابي مدل‌هاي پيش‌بيني جريان رودخانه

Evaluation of Riverflow Forecasting Models

برف نقش مهمي در ميزان و توزيع جريان رودخانه در مناطق كوهستاني دارد. بنابراين، ارزيابي مدل‌هاي پيش‌بيني جريان كه شاخصي از برف را در ساختار خود استفاده مي‌كنند ضروري است. در اين مطالعه مجموعه‌اي از مدل‌هاي پيش بيني جريان كه از دهه هاي گذشته در سطح جهان مطرح بوده است، تهيه و بررسي شده است. اين بررسي روش هاي سنتي ساده با داده هاي محدود تا روابط پيچيده و هوشمند نظير شبكه عصبي مصنوعي و استفاده از داده ها و ابزار سنجش از دور وGIS را در بر مي گيرد. در استفاده از داده‌هاي سنجش از دور براي تشخيص سطح پوشش برفي، از تصاوير ماهواره NOAA و روش تشخيص آستانه اي استفاده شده است. با توجه به اهميت تست مدل‌ها، روشي متفاوت و كامل براي اين منظور در نظر گرفته شده و مقايسه اي ميان روش هاي مختلف در حوزه دز صورت گرفته است. سپس، نقش بارش هاي بهاري و استفاده همزمان از آن‌ها در پيش بيني جريان در همان دوره بررسي شده است.

Snowfall has an important role in the amount and distribution of river flows in mountainous basins. Therefore, it is crucial to assess the application of river flow forecasting models that employ an index of snow in their structure. In this paper, a range of forecasting models that have been in use since decades ago are presented and compared with the more recently developed ones. These include some conventional models based on simple statistical methods and models that use more sophisticated methods such as Artificial Neural Networks (ANN) and Geographic Information Systems (GIS) with remotely sensed snow covered area (SCA) data obtained through NOAA satellites. Moreover, it is shown that the use of test periods is important in reaching realistic conclusions about the models. In addition, a testing method is presented that through an iterative process, evaluates the whole period of available data. Data from the Dez Basin in Iran is used to carry out the calculations. Furthermore, the role of spring rainfalls and their simultaneous implication in the forecasting models is investigated.