پيش‌بيني گروهي جريان با استفاده از مدل هيبريد بارش رواناب (مطالعه موردي حوضه آبريز رود زرد)

(Ensemble Stream Flow Prediction (ESP) Using Hybrid Rainfall Runoff Model (Case study: Roud Zard Basin

يكي از مهمترين اطلاعات در بهره ­برداري مطلوب از منابع آب، اطلاعات مربوط به پيش ­بيني آبدهي در آينده است. در استفاده از اطلاعات پيش ­بيني جريان در نظر گرفتن عدم قطعيت ­هاي موجود از اهميت به سزايي برخوردار است. پيش ­بيني­ گروهي جريان يكي از روش هايي است كه عدم قطعيت پيش ­بيني به دليل عدم اطلاعات دقيق پديده ­هاي هواشناسي را پوشش مي­دهد. هدف از اين تحقيق توليد و ارزيابي پيش­ بيني گروهي جريان ماهانه براي حوضه آبريز رود زرد در ايران مي باشد. براي توليد پيش ­بيني گروهي از دو مدل استفاده شد: توسعه يك مدل بارش رواناب به روش تانك مدل (CRFM) و تلفيق مدل CRFM با سيستم استنتاج فازي تطبيقي و توسعه مدل هيبريد. در ادامه روش اصلاح اريبي واقعه ­اي روي پيش ­بيني­ هاي گروهي اعمال و نتايج هر سه پيش ­بيني مورد ارزيابي قرار گرفت. نتايج نشان داد دقت مدل شبيه سازي جريان رودخانه تاثير قابل توجهي در كيفيت نتايج پيش ­بيني گروهي دارد به گونه ­اي كه امتياز احتمالاتي رتبه­ اي در مدل هيبريد كه دقت بالاتري نسبت به مدل CRFMداراست از 0/56 به 0/38 كاهش يافته و ماه ­هاي با پيش ­بيني مناسب (امتياز مهارت مثبت) از 82 به 115 ماه و در صورت اعمال اصلاح اريبي به 119 ماه از كل 182 ماه دوره شبيه افزايش مي يابد.

One of the most important information which is effective in desirable utilization of water resources is the information related to predicting the future available water in the catchment. Considering the existing uncertainty it is of significant importance when streamflow forecasting information is used. The ensemble stream flow prediction (ESP) is one of the methods in considering the forecast uncertainty. The goal of this research is to develop and evaluate monthly ESP for Roud Zard basin in Iran. Two models have been used to produce ESP: A conceptual river flow model based on Tank method (CRFM), and Combining the CRFM model with the adaptive neuro fuzzy inference system (ANFIS) to develop a hybrid model. Following, the Event bias correction method is employed on generated ESP’s and the results of the three predictions have been evaluated. The results show that the precision of base stream flow simulation model had considerable effects in the quality of the ensemble prediction as far as RPS in hybrid model that had higher precision than CRFM model has decreased from 0.56 to 0.38 and the months with suitable prediction (positive skills score) increased from 82 to 115 months and in case of employing bias correction, there will be an increase to 119 months from the total 182 months of simulation period.