پیش بینی کوتاه مدت جریان با استفاده از رویکرد ادغام تصاویر ماهواره ای و مدل هوش مصنوعی توسعه یافته

با توجه به ضرورت پیش بینی جریان در مسائل هیدرولوژی از قبیل تعیین ورودی مخازن و پیش بینی سیل، مدل های پیش بینی جریان در علم هیدرولوژی بسیار مورد توجه قرار گرفته اند. در این تحقیق، از مدل های ترکیبی هوش مصنوعی شامل: ANFIS و GA-ANN برای پیش بینی کوتاه مدت جریان (روزانه) استفاده شده است. هدف این پژوهش پیش بینی جریان خروجی حوضه لتیان، استان تهران، در بازه مطالعاتی ۱۳۹۸-۱۳۹۷ می باشد. برای این منظور ابتدا، با بهره گیری از رویکرد تلفیق شاخص گذاری و روش های طبقه بندی، سطح پوشش برف حاصل از پردازش ماهواره نوری Sentinel-۲ تهیه می شود. سپس به منظور استخراج سطح پوشش برف موثر، الگوریتم ادغام تصاویر با تصاویر ماهواره راداری Sentinel-۱ اعمال می شود. نهایتا، مدل هوش مصنوعی با کمک پارامتر برف موثر در کنار سایر داده های روزانه هیدرومتری و هواشناسی شامل: بارش، دما و جریان به پیش بینی روزانه جریان خروجی حوضه می پردازد. همچنین، به منظور ارتقاء عملکرد مدل پیش بینی از شاخص فصلی در جهت شناسایی تغییرات و آموزش بهتر مدل استفاده شده است. نتایج نشان داد، مدل پیش بینی با استفاده از داده های ماهواره ای تا میزان ۳۷ درصد بهبود عملکرد داشته است. این امر نشان دهنده تاثیر مستقیم پارامتر برف موثر بر روند رواناب حوضه می باشد. علاوه بر این، روند تغییرات سطح پوشش برف موثر هم خوانی مطلوبی با روند جریان حوضه، مخصوصا در نقاط پیک جریان، دارد. همچنین، استفاده از اطلاعات فصلی به عنوان پارامتر ورودی می تواند نتایج مدل های پیش بینی، بر پایه تست-آموزش، را به میزان حدود ۲۲% افزایش دهد. در نهایت، روش هوش مصنوعی برپایه استنتاج فازی عملکرد بهتری نسبت به روش شبکه عصبی بهینه برپایه شاخص های آماری نشان داد.

کلیدواژه ها:

مدل پیش بینی جریان ، حوضه لتیان ، روش های هوش مصنوعی ، سنجنده Sentinel-۱ and ۲ ، رویکرد ادغام تصاویر