عنوان پایان‌نامه
پیش بینی پذیری رواناب در غرب ایران با استفاده از روش تحلیل طیفی تکین
- رشته تحصیلی
- مهندسی کشاورزی - مهندسی منابع آب
- مقطع تحصیلی
- دکتری تخصصی PhD
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 7176;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77890;کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 7176;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77890
- تاریخ دفاع
- ۳۱ شهریور ۱۳۹۵
- دانشجو
- فرید فروغی
- استاد راهنما
- شهاب عراقی نژاد
- چکیده
- اطلاع از مقادیر آتی جریان رودخانه ابزار مفیدی برای مدیران بخش آب خواهد بود تا به سازماندهی امکانات موجود پرداخته و برای سازگاری با شرایط احتمالی آینده آماده باشند. ارزیابی اثرات نوسان های اقلیمی به ویژه در کشورهای با اقلیم خشک و نیمه خشک بسیار با اهمیت است. شاخص هایی که به منظور کمی کردن این نوسان های اقلیمی به کار می رود، عمدتا از مقادیر دمای سطح آب دریاها و اقیانوس ها استفاده می کنند. در این بین استفاده از روش های آماری و ریاضی و مدل های ترکیبی به مدد افزایش قدرت پردازشی سیستم ها و ارائه بسترهای جدید گسترش یافته است. در این رساله پیش بینی متوسط آبدهی دوره پر آبی رودخانه های حوزه کرخه، کارون و دز با استفاده از سیگنال های اقلیمی مربوط به اقیانوس آرام و اطلس و دمای سطح آب دریای مدیترانه به عنوان عاملی موثر در چرخه آبی منطقه جنوب غرب ایران با استفاده از مدل ترکیبی تحلیل طیف تکین و K نزدیک ترین همسایه، و مدل ترکیبی تحلیل طیف تکین و شبکه عصبی بازگشتی تاخیر زمانی مد نظر است. ابتدا دوره پرآبی ایستگاه های شاخص در حوزه کارون، کرخه و دز تعیین شدند. دوره پرآبی منطبق بر ماه های دی (ژانویه) تا خرداد (جون) می باشد. برای مشخص کردن پیش بینی کننده مناسب، سیگنال های اقلیمی مختلف مربوط به اقیانوس آرام و اقیانوس اطلس و همچنین دمای سطح آب دریاهای اطراف ایران، شاخص حلقه درخت و سطح پوشش برف مورد بررسی قرار گرفت. از بین آنها شاخص AMO، NINO4 و دمای سطح آب مدیترانه در زمان t-1 بیشترین همبستگی با مقادیر جریان رودخانه در زمان t داشته است که به عنوان پیش بینی کننده مناسب برای پیش بینی (بلند مدت) دوره پرآبی در نظر گرفته شدند. در مرحله بعد از ترکیب روش تحلیل طیف تکین وK نزدیک ترین همسایه و همچنین ترکیب روش تحلیل طیف تکین و شبکه عصبی بازگشتی تاخیر زمانی برای ساخت مدل پیش بینی استفاده شد. برای مدل سازی از نرم افزار آماری CaterpillarSSA، R و متلب استفاده شد. برای ارزیابی مدل ها از آماره جذر میانگین مربعات خطا، متوسط قدر مطلق خطای تسبی (خطای حجمی) و ضریب همبستگی استفاده شد. بر اساس نتایج این تحقیق می توان با به کارگیری ترکیب روش تحلیل طیف تکین و K نزدیک ترین همسایه مقادیر جریان رودخانه را با دقت مناسب پیش بینی نمود. علاوه بر آن استفاده از شاخص گاه شناختی درختی در تحلیل جریان رودخانه یکی دیگر از اهداف این رساله می باشد. با اندازه گیری حلقه های رویشی سالیانه درختان، گاه شناسی درختی تهیه می گردد. با مطالعه گاه شناسی درختی امکان بازسازی جریان رودخانه ها، و طبقه بندی خشکسالی هیدرولوژیکی در محدوده رویشگاه ها فراهم می گردد. در این رساله از شاخص گاه شناسی درختی منطقه ای زاگرس مرکزی طی دوره 1840-2010 برای بازسازی جریان رودخانه در منطقه مورد نظر استفاده شده است. سه ایستگاه آبسنجی در حوزه کرخه انتخاب شدند و دوره پر آبی آنها تعیین گردید. با توجه به همبستگی مثبت و معنادار جریان رودخانه در دوره پر آبی سه ایستگاه آبسنجی در این حوزه با شاخص گاه شناسی درختی منطقه ای، میانگین جریان رودخانه در دوره پر آبی برای این سه ایستگاه طی سال های 1840 تا 2010 بازسازی شد. مقادیر مشاهداتی جریان رودخانه و مقادیر بازسازی شده آن در دوره آماری مشترک به خوبی با هم مطابقت دارند. همچنین در ادامه وضعیت هیدرولوژیکی در طول دوره گاه شناسی مورد بررسی قرار گرفت و بر این اساس خشکسالی هیدرولوژیکی در حوزه کرخه برای سال های 1840 تا 2010 بررسی شد. شدت و تداوم خشکسالی ها و همچنین دهه های پر آب و کم آب تعیین گردید. همچنین نتایج این تحقیق با سایر محققین نیز مقایسه گردید. پس از بازسازی جریان رودخانه، از یک مدل شبکه عصبی احتمالاتی برای طبقه بندی دوره های بسیار کم آب، کم آب، پر آب و بسیار پرآب استفاده شد. نتایج نشان داد که مدل ارائه شده با دقت زیاد قادر به تشخیص دوره های نامبرده در منطقه مورد نظر می باشد. برای ساخت مدل پیش بینی از ترکیب دو روش تحلیل طیف تکین (SSA) با K نزدیکترین همسایه (KNN) مدل (SSA-KNN) و ترکیب دو روش تحلیل طیف تکین (SSA) با شبکه عصبی بازگشتی تاخیر زمانی (TDRNN) مدل (SSA-TDRNN) برای مدل سازی و پیش بینی جریان رودخانه در ایستگاه های شاخص حوزه کارون، دز و کرخه در دوره پرآبی استفاده گردید. مدل ارائه شده برای پیش بینی جریان رودخانه در دوره پرآبی (ژانویه تا جون) در زمان t با ورودی های شاخص های اقلیمی Nino4،AMO، SST شرق مدیترانه و سیگنال جریان رودخانه، در زمان t-1 به عنوان پیش بینی کننده، برای ایستگاه های شاخص حوزه کارون، دز و کرخه مورد استفاده قرار گرفت. برای بررسی عملکرد مدل از معیارهای ضریب همبستگی خطی، جذر متوسط مربعات خطا و قدر مطلق متوسط خطای نسبی (خطای حجمی) استفاده گردید. برای مدل SSA-KNN آماره جذر میانگین مربعات خطا از m3/s 3/3 برای ایستگاه چم انجیر تا m3/s 112/1 برای پل شالو متغیر بود. مقدار آماره متوسط خطای مطلق MARE از 0/28 برای تنگ پنج بختیاری تا 0/7 برای قورباغستان متغیر بود مقادیر کم آماره MARE نشان دهنده دقت مناسب مدل می باشد. مقادیر ضریب همبستگی مدل از 0/53 برای تنگ پنج بختیاری تا 0/8 برای ایستگاه جلوگیر متغیر بود. نتایج نشان می دهد که مدل دقت خوبی دارد. برای مدل SSA-TDRNN آماره جذر میانگین مربعات خطا از m3/s 3/6 برای ایستگاه چم انجیر تا m3/s 94/7برای ایستگاه پل شالو متغیر بود. مقدار آماره متوسط قدر مطلق خطای نسبی (خطای حجمی) از 0/14 برای پل شالو تا 0/37 برای قورباغستان متغیر بود مقادیر کم این آماره نشان دهنده دقت مناسب مدل می باشد. مقادیر ضریب همبستگی پیرسون مدل از 0/72 برای پل شالو تا 0/83برای ایستگاه پل چهر متغیر بود. این نتایج نشان می دهد که مدل دقت خوبی دارد. در یک جمع بندی کلی با توجه به اینکه مقدار خطای حجمی و مقدار جذر میانگین مربعات خطا برای کل ایستگاه ها برای مدل SSA-KNN به تریتب برابر 3/91 و m3/s 380/70 و برای مدل SSA-TDRNN به ترتیب برابر 2/39 و m3/s 363/73 بود می توان گفت که در کل دقت مدل SSA-TDRNN بهتر از SSA-KNN می باشد.
- Abstract
- Awareness of future values of streamflow is a useful tool for the managers of water resources sector, so that they can organize existing facilities and will be prepared for adapting with the probable future condition. Evaluation of the climatic fluctuations effects, especially in the countries with arid and semi-arid climate is important indeed. The criteria, which can be used to quantify these climatic fluctuations, mainly apply the values of sea and ocean surface temperature. Inter alia, usage of statistical and mathematical methods and combined models has been expanded thanks to increase of the systems processing power and providing new platforms. In this study, forecasts for the average discharge of high flow period for Karkheh, Karun, and Dez basin are conducted using climatic signals related to Atlantic and Pacific Oceans, and the water surface temperature of Mediterranean sea, which are effective factors in the south-western region of Iran’s water cycle, as well as applying the combined model of Singular Spectrum Analysis, K-nearest neighbor, and the combined model of Singular Spectrum Analysis and time delay recurrent neural network. At first, high flow of index stations in Karun, Karkheh, and Dez basins were appointed. High flow is matched on the months Day (January) until Khordad (June). For defining suitable predictor, different climatic signals related to Atlantic and Pacific Oceans were surveyed in addition to water surface temperature of the seas around Iran, tree ring index, and snow covered area. Among these, AMO, NINO4, and Mediterranean water surface temperature at the time t-1 had the greatest correlation with streamflow values at time t, which has been considered as appropriate predictor for forecasting (long term) high flow period. In the next stage, a combination of Singular Spectrum Analysis method and the K-nearest neighborhood as well as the combination of Singular Spectrum Analysis method and time delay recurrent neural network were used to create forecast model. For modeling, CaterpillarSSA, R, and MATLAB software were applied. In order to assess the models, some statistics were used including root mean square error, mean absolute relative error (volumetric error) and correlation coefficient. According to the results of this study, it can be concluded that with the use of a combination of Singular Spectrum Analysis method and the K-nearest neighborhood, the streamflow values can be suitably forecasted. In addition, using the dendrochronology index in streamflow analysis is another aim of this study. By measuring annual growth rings of trees, dendrochronology is obtained. By studying the dendrochronology, a facility is provided for reconstruction of streamflows data, and modeling and classification of hydrological drought within the habitats. In the current study, the chronology index in Central Zagros region was utilized during the period of 1840-2010 for reconstructing the streamflow in the mentioned area. Three gauge stations were selected in Karkheh Basin, and their high flow periods were determined. Given the significant and positive correlation between streamflow in the high flow period and the index of regional dendrochronology in the three gauge stations in this basin, the average streamflow during high flow period were reconstructed during the years 1840 to 2010. The observed values of streamflow and their reconstructed values in the common statistical period are compatible very well. Moreover, afterwards hydrological status was evaluated during chronological period, and accordingly, hydrological drought in Karkheh Basin was assessed for the years 1840 to 2010. Severity and duration of droughts as well as low flow and high flow decades were determined. Furthermore, the results of this study were compared to other researchers’ studies. After reconstructing the streamflow, a probabilistic neural network model was applied for classifying the periods of very low flow, low flow, high flow, and very high flow. The results showed that provided model is able to recognize mentioned periods with a high accuracy in the considered area. For creating the forecast model, a combination of Singular Spectrum Analysis and K-nearest neighborhood, which is called SSA-KNN, and a combination of Singular Spectrum Analysis and time delay recurrent neural network, which is called SSA-TDRNN were utilized in order to model and forecast the streamflow in the index stations of Karun, Dez, and Karkheh in high flow period. The presented model for streamfow forecasting in high flow periods (January to June) at the time t with inputs of climatic indices of Nino4, AMO, SST of eastern Mediterranean Sea, and streamflow signal at the time t-1 as predictor were used for index stations of Karun, Dez, and Karkheh basins. In order to evaluate the model performance, criteria including linear correlation coefficient, root mean square error, and mean absolute relative error (volumetric error) were used. For SSA-KNN model, root mean square error statistic varied from 3.3 m3/s for Cham-Anjir station to 112.1 m3/s for Pol-Shalu station. Value of the mean absolute relative error (MARE) statistic varied from 0.28 for Tang-Panj-e Bakhtiari station to 0.7 for Ghurbaghestan station. Low amounts of MARE statistic indicates appropriate model accuracy. The correlation coefficient values of model varied from 0.53 for Tang- Panj-e Bakhtiari station to 0.8 for Jelogir station. These results show that the model has a proper accuracy. For SSA-TDRNN model, root mean square error statistic varied from 3.6 m3/s for Cham-Anjir station to 94.7 m3/s for Pol-Shalu station. The amounts of mean absolute relative error statistic (volumetric error) varied from 0.14 for Pol-Shalu to 0.37 for Ghurbaghestan station that low values of this statistic indicates appropriate accuracy of the model. Pearson correlation coefficient values for model varied from 0.72 for Pol-Shalu to 0.83 for Pol- Chehr station. This result also proves that the model provides proper accuracy. In a general conclusion, given that the volumetric error amount and root mean square error for all stations for SSA-KNN model were respectively 3.91 and 380.70 m3/s and for SSA-TDRNN model are 2.39 and 363.73 m3/s , it can be declared that accuracy of SSA-TDRNN model is totally better than SSA-KNN model. Key word: Long lead forecast, Streamflow, Dendrochronology, Singular Spectrum Analysis, Climate signals, K-Nearest neighborhood, Time Delay Recurrent Neural Net Work
