تهیه نقشه رقومی آب معادل برف با استفاده از پارامترهای ژئومرفومتری و روش شبکه عصبی مصنوعی (مطالعه موردی: حوزه آبخیز سخوید)

اگرچه بخش کوچکی از سطح کره زمین را مناطق کوهستانی در بر می گیرد، اما همین مقدار اندک در چشم انداز هیدرولوژیکی حوزه های آبخیز تاثیر شگرفی دارد. با توجه به این که در مناطق خشک و نیمه خشک ایران، بحران آب مقوله ای جدی است، پایش مقادیر برف باریده شده در بخش های کوهستانی این مناطق بسیار حائز اهمیت است. معمولاً دست یابی به توزیع مکانی آب معادل برف از راه اطلاعات مشاهده ای و در مقیاسی محدود، صورت می گیرد، این در حالی است که به دلیل محدودیت های میدانی و صعب العبور بودن مناطق کوهستانی، جمع آوری اطلاعات به ویژه در حوزه های بزرگ، دشوار و گاهی غیر ممکن است. بدین ترتیب، توسعه روش هایی که بتواند آب معادل برف را در نقاط فاقد اندازه گیری برآورد نماید و نیز بررسی دامنه کاربرد آن ها، امری ضروری است. در این پژوهش محدوده ای به مساحت 16 هکتار در منطقه سخوید یزد انتخاب و با استفاده از نمونه بردار مدل مونت رز در 216 نقطه، داده آب معادل برف اندازه گیری شد. سپس به کمک 31 پارامتر ژئومورفومتری حوزه، به ارزیابی کارآیی روش شبکه عصبی مصنوعی در برآورد توزیع مکانی آب معادل برف پرداخته شد و بدین ترتیب، نقشهرقومی آب معادل برف تهیه گردید. نتایج حاصله نشان داد که شبکه عصبی مصنوعی با ضریب تعیین 83/0 و مجذور میانگین مربعات خطا برابر با 55/3 قادر به پیش بینی آب معادل برف است. همچنین نتایج آنالیز حساسیت شبکه عصبی مصنوعی نشان داد که از بین پارامترهای به کار رفته در پیش بینی آب معادل برف، پارامترهای مقطع طولی انحناء، مقطع عرضی انحناء، انحناء، اثرباد، شیب، شاخص همواری قله، شیب حوزه و شاخص همواری دره، جزء موثرترین عوامل در پیش بینی آب معادل برف هستند.

Digital Mapping of Snow Water Equivalent using an Artificial Neural Network and Geomorphometric Parameters (Case study: Sakhvid watershed, Yazd)

Although a small portion of the Earth's surface is covered by the mountains, but it has a large impact on watershed hydrological perspective Because of the water crisis in arid and semiarid regions of Iran, monitoring of the amount of snow in these areas is very important. Usually, access to the spatial distribution of snow water equivalent is limited to small scale using sampled data. However, due to the limitations of the mountainous, snow sampling of area is difficult and sometimes impossible in the large basins. Thus, the development of methods in order to estimate snow water equivalent at the unsampled locations is essential. In this research, an area of 16 ha area in Yazd province was selected and snow water equivalent was measured at 216 points using a Mt. Rose snow sampler. Then the application of artificial neural network method was evaluated using 31 geomorphometric parameters and the digital map of snow water equivalent was obtained. The results showed that the artificial neural network can estimate the snow water equivalent by a R2=0.83 and RMSE= 3.55.The results of the sensitivity analysis are also showed that among the ANN parameters used in the prediction of snow water equivalent, Plan Curvature, Profile Curvature, Curvature, Wind Effect, Slope, Multiresolution ridge top flatness index (MRRTF), Catchment slope and Multi resolution index of valley bottom flatness (MRIVBF) are the effective parameters to predict snow water equivalent, respectively.