عنوان پایان‌نامه
توسعه سامانه پیش‌بینی بلندمدت هیدرولوژیکی براساس ترکیب مدل‌های داده مبناء
- رشته تحصیلی
- مهندسی کشاورزی - مهندسی منابع آب
- مقطع تحصیلی
- دکتری تخصصی PhD
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 7059;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76541;کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 7059;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76541
- تاریخ دفاع
- ۱۶ خرداد ۱۳۹۵
- دانشجو
- فرشته مدرسی
- استاد راهنما
- کیومرث ابراهیمی, شهاب عراقی نژاد
- چکیده
- پیش‌بینی بلندمدت جریان رودخانه یکی از مسائل مهم و ارزشمند در زمینه هیدرولوژی و مدیریت منابع آب می‌باشد، ولی اغلب از دقت بالایی برخوردار نیست. از این‌رو، در رساله حاضر، در راستای افزایش دقت این نوع پیش‌بینی، سامانه‌ای برای پیش‌بینی بلندمدت هیدرولوژیکی برمبنای ترکیب مدل‌های داده مبناء ارائه شده است. در این سامانه، تکنیک جدیدی بر مبنای نظریه ترکیب مدل‌ها با نام «ترکیب مدل‌های انتخاب شده» برای افزایش دقت نتایج پیش‌بینی جریان ماهانه رودخانه و بارش فصلی و ماهانه ارائه شده است. همچنین، در این سامانه، دو دیدگاه پیش‌بینی مستقیم و غیرمستقیم جریان (از طریق پیش‌بینی بارش و مدل‌سازی بارش- رواناب) برای پیش‌بینی جریان ماهانه رودخانه بر مبنای تکنیک ارائه شده برای ترکیب مدل‌ها مورد ارزیابی و مقایسه قرار گرفته‌اند. در این رساله، حوضه کرخه به عنوان منطقه مطالعات انتخاب شده و پیش‌بینی جریان ماهانه در محل ورودی به دو سد کرخه و سیمره در این حوضه مورد مطالعه قرار گرفته است. در سامانه ارائه شده در این رساله، برای پیش‌بینی مستقیم جریان از متغیرهای بزرگ مقیاس اقلیمی شامل ENSO، SOI، NINO 3.4، PDO، AMO و NAO و نیز دمای سطح آب دریای مدیترانه و خلیج فارس، و متغیرهای محلی شامل بارش، جریان رودخانه و سطح پوشش برف که از تصاویر سنجنده مادیس بر ماهواره نوآ استخراج شده، به عنوان متغیرهای پیش‌بینی کننده استفاده شده است. در دیدگاه پیش‌بینی غیرمستقیم جریان نیز از متغیرهای اقلیمی مذکور برای پیش‌بینی بارش و از متغیرهای بارش و جریان برای مدل‌سازی فرآیند بارش- رواناب، استفاده شده است. در رساله حاضر از مدل‌های داده مبنای شبکه عصبی مصنوعی (ANN)، شبکه عصبی رگرسیون تعمیم یافته (GRNN)، رگرسیون بردار پشتیبان (SVR)، K نزدیک‌ترین همسایگی (KNN) و رگرسیون خطی چند متغیره (MLR) و نیز مدل مفهومی IHACRESS (برای مدل‌سازی بارش- رواناب) به عنوان مدل‌های منفرد در فرآیندهای پیش‌بینی بارش و جریان رودخانه و مدل‌سازی بارش- رواناب استفاده شده است. برای ترکیب نتایج مدل‌های منفرد، مجموعه‌ای از روش‌های وزن‌دهی رتبه‌بندی شده OWA و مدل‌های آماری داده‌مبناء و زمین آماری تحت دو سناریوی متفاوت از انتخاب مدل‌های منفرد برای ورود به مرحله ترکیب مدل‌ها بر مبنای روش درخت دسته‌بندی (سناریوی یک) و ایجاد سری‌های رتبه‌بندی شده از نتایج تمامی مدل‌های منفرد (سناریوی دو) بکار گرفته شده و عملکرد آنها مورد ارزیابی قرار گرفته است. نتایج حاصل از رساله حاضر نشان می‌دهد که بکارگیری تکنیک جدید «ترکیب مدل‌های انتخاب شده» تحت سناریوی دو در تمامی فرآیندهای پیش‌بینی بارش و جریان و مدل‌سازی بارش- رواناب در تمامی ماه‌ها سبب افزایش قابل توجهی در دقت نتایج نسبت به بهترین نتایج مدل‌های منفرد گردیده است. به علاوه، مقایسه نتایج دو دیدگاه پیش‌بینی مستقیم و غیرمستقیم جریان در هر دو زیرحوضه مطالعاتی کرخه و سیمره نشان داد که در برخی از ماه‌ها نظیر بهمن ماه، دقت نتایج پیش‌بینی غیرمستقیم بیشتر از پیش‌بینی مستقیم جریان می‌باشد و توصیه می‌شود که در شرایط عدم حصول دقت مطلوب از پیش‌بینی مستقیم جریان، از دیدگاه پیش‌بینی غیرمستقیم جریان استفاده شود.
- Abstract
- Long-lead streamflow forecasting is an important issue in the field of hydrology and water resources management, but often it has not a high accuracy. Therefore, in the current dissertation, in order to increase the accuracy of this type of forecasting, a longlead hydrological forecasting system based on data-driven model fusion technique has been developed. In this system, a new technique based on model fusion theory, namely, “Selected Model Fusion” has been introduced in order to improve the accuracy of monthly streamflow and seasonal and monthly rainfall forecasting. Moreover, the two viewpoints including direct and indirect streamflow forecasting (by rainfall forecasting and rainfall- runoff modeling) based on model fusion method have been assessed and compared in order to monthly streamflow forecasting. Karkheh basin has been selected as the study area in the thesis and monthly forecasting of inflow to Karkheh and Seimareh reservoirs in the basin has been studied. In the presented system, in order to direct forecasting, large- scale climate variables including: ENSO 5SOI 5NINO 3.4 5PDO 5AMO, and NAO and also, sea surface temperature of Mediterranean Sea and Persian Gulf as well as local variables containing rainfall, streamflow and snow cover extracted from MODIS sensor images placed on NOAA satellite have been used as the predictors. Also, in the view of forecast indirectly, the climate variables have been applied for rainfall forecasting, and rainfall and streamflow variables have been used for rainfallrunoff modeling. In the present thesis, six models including artificial neural network (ANN), generalized regression neural network (GRNN), support vector regression (SVR), Knearest neighbor (KNN), multiple linear regression (MLR) as well as the conceptual model, IHACRESS, (for rainfall-runoff modeling) have been applied as individual models for rainfall and streamflow forecasting and rainfall- runoff modeling. In order to combine the results of individual models, a collection of ordered weighted aggregation methods (OWA) together with several statistic and geo-statistic models have been applied and assessed under two different scenarios about the selection of individual models to enter the step of model fusion, which are based on Dendrogram method (scenario 1) and producing ordered series from the results of all individual models (scenario 2). The results of the present dissertation show that applying the new model fusion technique, Selected Model Fusion, under scenario 2 in all the processes of streamflow and rainfall forecasting and rainfall- runoff modeling increased significantly the accuracy of the results in compared to the best results of individual models in all months. In addition, comparing the results of the two viewpoints, direct and indirect streamflow forecasting, in both Karkheh and Seimareh subbasins demonstrated that in some months like February, the accuracy of the results of indirect forecasting is more than direct streamflow forecasting; therefore, it is suggested that if the appropriate accuracy is not achieved from direct streamflow forecasting, indirect streamflow forecasting be used as a solution. Keywords: streamflow forecasting, rainfall forecasting, selected model fusion, datadriven models, OWA methods.
