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

با توجه به ‌ضرورت پیش‌بینی جریان در مسائل هیدرولوژی از قبیل تعیین ورودی مخازن و پیش‌بینی سیل، مدل‌های پیش‌بینی جریان در علم هیدرولوژی بسیار مورد توجه قرار گرفته‌اند. در این تحقیق، از مدل‌‌های ترکیبی هوش مصنوعی شامل: anfis و ga ann برای پیش‌بینی کوتاه‌مدت جریان (روزانه) استفاده شده است. هدف این پژوهش پیش‌بینی جریان خروجی حوضه لتیان، استان تهران، در بازه مطالعاتی 1398 1397 می‌باشد. برای این منظور ابتدا، با بهره‌گیری از رویکرد تلفیق شاخص‌گذاری و روش‌های طبقه‌بندی، سطح پوشش برف حاصل از پردازش ماهواره نوری sentinel 2 تهیه می‌شود. سپس به منظور استخراج سطح پوشش برف موثر، الگوریتم ادغام تصاویر با تصاویر ماهواره راداری sentinel 1 اعمال می‌شود. نهایتا، مدل هوش‌مصنوعی با کمک پارامتر برف موثر در کنار سایر داده‌های روزانه هیدرومتری و هواشناسی شامل: بارش، دما و جریان به پیش‌بینی روزانه جریان خروجی حوضه می‌پردازد. همچنین، به منظور ارتقاء عملکرد مدل پیش‌بینی از شاخص فصلی در جهت شناسایی تغییرات و آموزش بهتر مدل استفاده شده است. نتایج نشان داد، مدل پیش‌بینی با استفاده از داده‌های ماهواره‌ای تا میزان 37 درصد بهبود عملکرد داشته است. این امر نشان‌دهنده تاثیر مستقیم پارامتر برف موثر بر روند رواناب حوضه می‌باشد. علاوه ‌بر این، روند تغییرات سطح پوشش برف موثر هم‌خوانی مطلوبی با روند جریان حوضه، مخصوصا در نقاط پیک جریان، دارد. همچنین، استفاده از اطلاعات فصلی به عنوان پارامتر ورودی می‌تواند نتایج مدل‌های پیش‌بینی، بر پایه تست آموزش، را به میزان حدود 22% افزایش دهد. در نهایت، روش هوش مصنوعی برپایه استنتاج فازی عملکرد بهتری نسبت به روش شبکه عصبی بهینه برپایه شاخص‌های آماری نشان داد.

short term streamflow forecast by wet snow using fusion satellite images approach and developed artificial intelligence methods

streamflow forecasting models play a crucial role in hydrological issues، such as the determination of reservoir inflows and flood forecasting. in this research، artificial intelligence hybrid models including anfis and ga ann have been used for short term (daily) streamflow forecasting. this research aims to predict the outlet of the latiyan basin، tehran province، from 2017 to 2018. for this purpose، a snow covered area (sca) is obtained from the processing of sentinel 2 optical satellite images. then، in order to extract the effective snow، the fusion algorithm is applied for sentinel 1 and 2 integrations. finally، the artificial intelligence model with the help of the effective snow parameter along with other daily hydrometric and meteorological data including daily precipitation، temperature، and discharge is applied to forecast the daily outlet of the basin. also، to improve the model performance، the seasonal index has been used to identify streamflow trends and better model training. the results showed that the prediction model using satellite data has improved its performance by 37%، which shows the direct effect of the snow parameter on the basin runoff. in addition، the trend of changes in the effective snow parameter has a favorable agreement with the flow trend of the basin، especially in the peak flows. also، using seasonal information as an input parameter can improve the results of the prediction models by approximately 22%. in addition، the ai method based on fuzzy inference (anfis) showed better performance than the developed neural network method (ga ann) based on statistical indices.