مدل‌سازی حوضه‌های فاقد آمار با استفاده از داده‌های سنجش از دور (RS) و شبکه‌های عصبی مصنوعی (ANNs) (مطالعه موردی: حوضه دشت اردبیل)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه علوم و مهندسی آب دانشگاه محقق اردبیلی، اردبیل، ایران

2 دانشیار عضو هیئت علمی گروه مهندسی آب دانشگاه محقق اردبیلی، اردبیل، ایران

3 گروه مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران

4 استادیار گروه مهندسی آب دانشگاه محقق اردبیلی

چکیده

اگرچه اخیراً مدل‌سازی بارش-رواناب چالش بزرگی به حساب نمی‌آید، اما این مورد همچنان در حوضه و یا زیرحوضه‌های فاقد آمار یکی از مسایل چالش برانگیز برای محققان این حوزه است. یکی از روش‌های نوین در این زمینه استفاده از تکنیک‌های سنجش از دور و استفاده از یادگیری ماشین (هوش مصنوعی) بوده‌است. در این تحقیق برای محاسبه رواناب در حوضه‌های فاقد آمار، از دو حوضه شامل حوضه ایستگاه هیدرومتری سامیان و حوضه ایستگاه هیدرومتری عموقین در دشت اردبیل استفاده شد. ایستگاه اول به عنوان خروجی حوضه دشت اردبیل و برای آموزش و واسنجی مدل و از ایستگاه دوم به عنوان حوضه فاقد آمار برای صحت‌سنجی و آزمون، انتخاب گردیدند. مدل‌سازی با استفاده از 9 پارامتر ورودی شامل فشار‌هوا، شاخص پوشش گیاهی (پوشش کم و زیاد)، دمای خاک، دمای سطح زمین، حجم آب خاک، رواناب، پتانسیل تبخیر و بارش انجام شد. همچنین از یک پارامتر مربوط به آمار مشاهداتی ایستگاه‌ها، به عنوان خروجی استفاده گردید. مدل‌سازی با استفاده از چهار مدل شامل NARX، ANN-ACO، ANN-GA، ANN-PSO انجام و برای ارزیابی دقت مدل‌ها از آماره‌های MSE، R2، RMSE، NSE و MAE استفاده شد. نتایج نشان دادند که مدل NARX به ترتیب و با دقت 001/0، 86/0، 039/0، 855/0 و 015/0 به وضوح نسبت به سایر مدل‌ها از برتری بسیار خوبی برخودار است. باتوجه به امکان دستیابی به نتایجی با دقت بالا و باتوجه به وجود حوضه‌های کم‌آمار و فاقد‌آمار در سرتاسر جهان، استفاده از روش‌های سنجش از دور در ترکیب با هوش مصنوعی می‌تواند بخشی از چالش‌های هیدرولوژیست‌ها را پاسخ دهد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Modelling ungauged basins using remote sensing (RS) data and artificial neural networks (ANNs) (case study: Ardabil plain basin)

نویسندگان [English]

  • Amin Akbari Majd 1
  • javanshir Azizi Mobaser 2
  • Ali Rasoulzadeh 3
  • Mahsa Hasanpour Kashani 4
1 department of water science and engineering, University of Mohaghegh Ardabili.
2 Associate Professor in Water Engineering Dept., of Mohaghegh Ardabili University, Iran
3 Water Engineering Department, Faculty of Agriculture and Natural Resources, University of Mohaghegh Ardabili, Iran
4 Assistant Professor, Department of Water Engineering
چکیده [English]

Although rainfall-runoff modelling is not considered a big challenge recently, it is still one of the challenging issues for researchers in the basin or sub-basins without statistics. One of the new methods in this field is the use of remote sensing techniques and the use of machine learning (artificial intelligence). In this research, to calculate the runoff in the basins without statistics, two basins were used, including the Samian hydrometric station and the basin of the Amoghein hydrometric station in the Ardabil plain. The first station was chosen as the outlet of the Ardabil Plain basin for model training and calibration, and the second station was chosen as the basin without statistics for verification and testing. Modelling was done using 9 input parameters including air pressure, vegetation cover index (low and high cover), soil temperature, ground surface temperature, soil water volume, runoff, evaporation potential and precipitation. Also, a parameter related to the observational statistics of the stations was used as an output. Modelling was done using four models including NARX, ANN-ACO, ANN-GA, ANN-PSO and MSE, R2, RMSE, NSE and MAE statistics were used to evaluate the accuracy of the models. The results showed that the NARX model is clearly superior to other models with an accuracy of 0.001, 0.86, 0.039, 0.855 and 0.015 respectively. Due to the possibility of obtaining high-precision results and the existence of low-statistical and non-statistical basins around the world, using remote sensing methods in combination with artificial intelligence can be part of the hydrologist's challenges.

کلیدواژه‌ها [English]

  • GIS
  • RS
  • NARX
  • ANN
  • ungauged basins

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 09 آبان 1402
  • تاریخ دریافت: 16 مرداد 1402
  • تاریخ بازنگری: 19 مهر 1402
  • تاریخ پذیرش: 09 آبان 1402