پيش يابي جريان ماهانه ورودي به سد طرق واقع دراستان خراسان شمالي با استفاده از تركيب مدل ذوب برف SWEG و مدل پيش يابي جريان رودخانهSSP

Combination of SWEG and SSP Models for Monthly Stream Flow Forecasting; TOROGH Dam in North Khorasan province as a Case Study

پيش يابي (forecast) ميزان حجم آورد ماهانه رودخانه، يكي از متغيرهاي موثر در بهره برداري از مخازن سدها و بهينه سازي منحني فرمان نيروگاه هاي برق آبي به شمار مي رود. از اين رو تهيه مدلي با دقت بالا جهت پيش يابي آورد ماهانه رودخانه ضرورت دارد. استفاده از مدل هاي رگرسيون چند متغيره يكي از روش هاي معمول در اين مورد به حساب مي آيد. از ضعف هاي مدل هاي رگرسيوني چند متغيره خطي، حساس بودن ضرايب متغيرهاي مستقل (predictors) و نسبت طول دوره آماري به تعداد متغير هاي مذكور مي باشد. بر اساس تحقيقات پيشين نشان داده شده كه در صورت وجود همبستگي معني دار ميان متغير هاي مستقل، ضرايب آن ها غلط برآورد شده و بعضاً علامت ضريب بعضي از اين متغيرها مخالف علامت ضريب همبستگي بين همان متغير و متغير وابسته مي گردد. بدين ترتيب، جهت كاهش متغيرهاي مستقل اوليه به منظور افزايش نسبت طول دوره آماري به تعداد اين متغير هاي مستقل و حذف همبستگي دروني ميان آنان اقدام به تهيه مدل SSP گرديد. از ديگر برتري هاي مدلSSP، استفاده از يك جستجوگر قوي جهت انتخاب متغيرهاي مستقل اوليه و انتخاب مولفه هاي موثر در پيش يابي آورد ماهانه رودخانه مي باشد. يكي از مشكلات موجود در بهره گيري از مدل هاي پيش يابي در حوضه هاي برف خيز، كمبود و يا نبود داده هاي آب معادل برف است. آب معادل برف يكي از ورودي هاي اساسي در پيش يابي آورد آب بهاره و تابستانه در مدل هاي پيش يابي حوضه هاي برف خيز بشمار مي رود. به دليل محدود بودن تعداد اندازه گيري ها به يك يا دو بار در سال، ضرورت تهيه مدلي كه آب معادل برف را بر اساس ساير اطلاعات جوي و زميني شبيه سازي نمايد، محسوس مي باشد. در اين مقاله مدل SWEG كه جهت برآورد آب معادل برف به طور روزانه تهيه شده معرفي مي گردد. با استفاده از الگوريتم ژنتيك جهت واسنجي پارامترهاي اين مدل سعي شده است كاربرد تركيب آن با مدل SSP بر روي حوضه آبريز بالا دست سد طرق به منظور پيش يابي آورد ورودي به سد مورد آزمايش قرار گيرد. نتايج حاصل از جذر مربع ميانگين خطا(RMSE) و ضريب همبستگي ميان مقادير مشاهداتي و پيش يابي شده نشان دهنده دقت قابل قبول تركيب اين دو مدل در پيش يابي آورد رودخانه مي باشد.

Stream flow forecasting is one the effective mean for reservoir operation and hydropower rule curve optimizing. Using multivariable liner regression model is one of the conventional approaches for stream flow forecasting. High sensitivity of regression model to independency of independent variable (predictors) and ratio of statistical period to the number of predictors are challengeable problems for these models. Inter-correlation between predictors causes wrong estimation of predictor. At this paper for reduction of predictors for increase ratio of statistical period to the number of predictors and elimination of Inter-correlation between predictors, SSP model was prepared. SSP model use a strong searching algorithm to select effective initial predictors and principal component for seasonal and monthly forecasting. Deficiency of snow data such as snow water equivalent (SWE) is a problem of spring and summer stream-flow forecasting in cold catchment. SWE is measured twice a year in IRAN. There for, it is a prepared physical model SWEG to simulate daily SWE according other parameter such as precipitation, temperature, wind velocity and etc. it is used of Genetic algorithm to calibrate parameters of SWEG. In this paper output of SWEG is used as one variable of input variables of SSP for monthly stream-flow of TOROGH dam forecasting. The result of (RMSE) and coefficient of correlation shown that combination of these two models have enough accuracy for monthly stream-flow forecasting.