بهینه‌سازی شبکه باران‌سنجی با استفاده از آنتروپی اطلاعات و الگوریتم کرم شب‌تاب (مطالعه موردی: حوضه شرق دریاچه ارومیه)

اقدام در اجرای پروژه‌های آبی، شناخت ویژگی‌های بارندگی و آگاهی از آب ‌و هوا و اقلیم منطقه است. بارندگی به دلیل تغییرات مکانی و زمانی زیاد، در مقایسه با سایر عوامل هواشناسی، به شبکه متراکم‌تری برای دیده‌بانی نیاز دارد. ازاین رو مکان یابی بهینه احداث ایستگاه ها امری بسیار ضروری است. بنابراین ابتدا داده‌های بارش ماهانه ‌ایستگاه‌های باران‌سنجی در سطح حوضه و مناطق مجاور آن‌ها جمع‌آوری گردید. سپس تمامی داده های سری زمانی مورد تحلیل های آماری ازجمله آزمون نرمال و همگنی قرارگرفتند و ایستگاه های دارای آمار خطا و غیرهمگن از مجموع ایستگاه ها حذف و یا اصلاح شدند. با توجه به نتایج آزمون های نرمال، بارندگی سالانه در 5 ایستگاه به دلیل کوچک بودن مقادیر آزمون ها از مقدار بحرانی آن ها، از توزیع نرمال پیروی نمی نمایند. همچنین نتایج آزمون های همگنی حاکی از آن بود که 91.7 درصد از ایستگاه های منتخب حوضه از لحاظ صحت و درستی داده های بارندگی ثبت شده مورد تایید بوده و در ادامه، قابل استفاده در تحلیل های هیدرولوژیک و یا منابع آبی خواهند بود. با تحلیل مکانی آنتروپی بارش، مقدارآنتروپی انتقال اطلاعات در سطح حوضه محاسبه و معیاری در تعیین نقاط با پتانسیل تاسیس ایستگاه جدید در نظر گرفته شد. نتایج حاکی از این است که شش ایستگاه شبستر، شرفخانه، زرنق هریس، هرزندات، کلیبر و قوشچی سراب ضمن کسب رتبه های پایین در شبکه، وضعیتی بحرانی داشته و ضعیف ترین ایستگاه های حوضه می باشند. از سوی دیگر ایستگاه های سعیدآباد، باشسیزاوجان، مراغه، خرمازرد و شیرین کندی بالاترین رتبه ها را در میان سایر ایستگاه ها به خود اختصاص داده اند و پنج ایستگاه مهم حوزه آبخیز مورد مطالعه می باشند که مفیدترین اطلاعات در شبکه را تولید می نمایند. به منظور انجام فرآیند بهینه سازی تابع هدفی برای کل حوضه تعیین و سپس از الگوریتم کرم شب‌تاب بهره گیری شد تا بهترین جانمایی برای ایستگاه های باران سنجی به دست آید. پس از بررسی نتایج مشخص گردید، بهترین جانمایی با اضافه کردن تعداد 9 ایستگاه به دست می آید.

Rainfall Network Optimization using Information Entropy and Fire Fly Algorithm Case Study: East Basin of Urmia Lake

The first step of the implementation of water projects is recognizing the characteristics of rainfall, and awareness of the weather and climate of the region. Because of the spatial and time variations of rainfall, it requires much denser network to supervise compared to the other meteorological factors. Therefore, optimal localization of the stations is very necessary. Accordingly, monthly rainfall data of rain gauge stations were collected at the basin and adjacent areas first. The primary rain gauge network was created by considering the period with the largest number of the stations, the most statistical The first step of the implementation of water projects is recognizing the characteristics of rainfall and awareness of the weather and climate of the region. Because of the spatial and time variations of rainfall, it requires much denser network to supervise compared to the other meteorological factors. Therefore, optimal localization of the stations is very necessary. Accordingly, monthly rainfall data of rain gauge stations were collected at the basin and adjacent areas first. The primary rain gauge network was created by considering the period with the largest number of the stations, the most statistical years, and the lowest rebuilding ratio. Then all of time series data were analyzed by statistical analysis including normal and homogeneous tests and stations with errors and nonhomogeneous statistics were removed or modified from the total stations. According to the results of normal tests, annual rainfall in 5 stations, due to their smaller amount of tests rsquo; values toward their critical value, does not follow normal distribution. Also, the results of homogeneous tests indicated that 91.7% of selected stations in the basin were confirmed in term of the accuracy of the recorded rainfall data and could be used in hydrological analysis or water resources after this. With the spatial analysis of the precipitation entropy, the amount of information transmission entropy was calculated in the basin area and was considered as a criterion in determining the points with the potential of establishing a new station. The results indicate that the six stations of Shabestar, Sharafkhaneh, ZarnaghHeris, Harzandat, Kalibar and Ghoshchisarab, while having low ranks in the network, are in critical condition and are the weakest stations in the basin. On the other hand, the stations of Saeedabad, Bashsizovjan, Maragheh, Khormazard and Shirin Kandy have the highest rank among other stations, and are five important studied stations in the basin that produce the most useful information in the network. In order to perform the optimization process, an objective function for the whole basin was determined and then the Firefly algorithm was used to obtain the best localization for rain gauge stations. The best localization is obtained by adding 9 stations after checking the results.